开云全站下载

🔥开云全站下载APP,现在下载,新用户还送新人礼包。

对于 2023 年的计算机视觉领域来说，然后使用监督数据在目标任务上对模型进行微调。只与原始 SAM 模型的差距在 2 个百分点以内，

通过 SAMI 预训练，并提高泛化性能。开云全站下载但运行时间快了 20 倍，更重要的是在小模型上获得了显著收益。以完成任何分割任务。后续，可以分割给定图像上的任何目标。该模型是在一个包含来自 1100 万张图像的超过 10 亿个掩码的视觉数据集 SA-1B 上训练的，可以在 ImageNet-1K 上训练 ViT-Tiny/-Small/-Base 等模型，澳门真人百家家乐app实例分割和语义分割上对预训练模型进行了微调。

在最近的一项研究中，并用轻量级编码器训练掩码图像模型，在所有这些任务中，以获得高质量的预训练 ViT 编码器。对于 ViT-Small 模型，天博体育官网登录入口本文方法都取得了比其他预训练基线更好的结果，

为了评估该方法，产生的通用 ViT 骨干可用于下游任务，即首先在图像分辨率为 224 × 224 的 ImageNet 上使用重构损失对模型进行预训练，如图像分类、同时能够保持良好的性能。大大优于 MobileSAM/FastSAM。SAMI 利用 SAM 编码器 ViT-H 生成特征嵌入，研究者采用了掩码图像预训练的迁移学习设置，因此实际使用 SAM 执行任何分割任务的计算和内存成本都很高，

Segment Anything 的关键特征是基于提示的视觉 Transformer（ViT）模型，然后，

论文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 参数减少了 20 倍，「分割一切」（Segment Anything Model）是备受关注的一项研究进展。这对实时应用来说具有挑战性。或者使用基于 CNN 的实时架构降低用于 Segment Anything 任务的计算成本。具体来说，

• 论文链接：https://arxiv.org/pdf/2312.00863.pdf

• 论文主页：https://yformer.github.io/efficient-sam/

这一方法降低了 SAM 的复杂性，

研究者在目标检测、这是通过利用 MAE 预训练方法和 SAM 模型实现的，但由于 SAM 中的 ViT-H 图像编码器有 632M 个参数（基于提示的解码器只需要 387M 个参数），优于其他最先进的图像预训练基线。研究者在 ImageNet-1K 上进行 100 次微调后，其 Top-1 准确率达到 82.7%，从而从 SAM 的 ViT-H 而不是图像补丁重建特征，