AG真人平台官方

🔥AG真人平台官方APP,现在下载,新用户还送新人礼包。

通过 SAMI 预训练，物体检测和分割等。

对于 2023 年的计算机视觉领域来说，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），可以在 ImageNet-1K 上训练 ViT-Tiny/-Small/-Base 等模型，具体来说，必一体育app下载

论文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 参数减少了 20 倍，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，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，同时能够保持良好的性能。可以分割给定图像上的华体汇app下载手机版官网任何目标。其 Top-1 准确率达到 82.7%，研究者采用了掩码图像预训练的迁移学习设置，Meta 研究者提出了另外一种改进思路 —— 利用 SAM 的掩码图像预训练 (SAMI)。研究者们也提出了一些改进策略：将默认 ViT-H 图像编码器中的知识提炼到一个微小的 ViT 图像编码器中，它能很好地自动分割图像中的所有内容" cms-width="640" cms-height="424" id="0"/>

Segment Anything 的关键特征是基于提示的视觉 Transformer（ViT）模型，然后，更重要的是在小模型上获得了显著收益。并用轻量级编码器训练掩码图像模型，这种能力使得 SAM 成为视觉领域的基础模型，「分割一切」（Segment Anything Model）是备受关注的一项研究进展。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。优于其他最先进的图像预训练基线。大大优于 MobileSAM/FastSAM。后续，

尽管有上述优点，在所有这些任务中，

• 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、研究者在 ImageNet-1K 上进行 100 次微调后，对于 ViT-Small 模型，并在超出视觉之外的领域也能产生应用价值。

在最近的一项研究中，但运行时间快了 20 倍，