超越SOTA：PP-SAM 简化采样 SA M 过程，仅需最小标注！

文章预览

分段任何模型（SAM）最初是为通用分段任务设计的，最近被用于息肉分割。然而，用来自新成像中心或诊所的数据对SAM进行微调带来了重大挑战。这是因为这需要创建一个昂贵且耗时的标注数据集，同时推理过程中用户提示的变异性也带来了可能性。为了解决这些问题，作者提出了一种健壮的微调技术，PP-SAM，它允许SAM在有限图像的情况下适应息肉分割任务。 为此，作者利用变量扰动边界框提示（BBP）来丰富学习上下文，并在推理过程中增强模型对BBP扰动的鲁棒性。在息肉分割基准上的严格实验表明，作者的变量BBP扰动显著提高了模型的韧性。 值得注意的是，在Kvasir数据集上，1次射击微调分别在使用50像素和100像素BBP扰动进行推理时，将DICE分数提高了20%和37%。 此外，作者的实验显示，在推理过程中使用50像素扰动的1次射击、5次射击和10次射击PP- ………………………………