最近，Meta AI研究团队提出了一种通用的、基于提示的"segment anything"模型(SAM)，该模型在一个前所未有的大型分割数据集(SA-1B)上进行了预训练。毫无疑问，SAM的出现将为各种实际图像分割应用带来巨大的好处。来自加拿大阿尔伯塔大学的研究者们对SAM在各种应用领域，特别是自然图像、农业、制造业、遥感和医疗保健领域的性能进行了一系列有趣的调查。文章分析和讨论了SAM的优点和局限性，同时展望了其在分割任务中未来的发展，以期让人们全面了解SAM在实际应用中的效果。文章有望为未来通用分割研究工作提供启示。文章已发表于《机器智能研究（英文）》2024年第4期中。
全文导读
前沿观点 | Segment Anything并非一直完美: SAM模型在不同真实场景中的应用调查
全文下载：
Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-world Applications
Wei Ji, Jingjing Li, Qi Bi, Tingwei Liu, Wenbo Li & Li Cheng
https://link.springer.com/article/10.1007/s11633-023-1385-0
https://www.mi-research.net/en/article/doi/10.1007/s11633-023-1385-0
关于Machine Intelligence Research
Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢