提升SAM的跨域性能,多级特征融合在少样本分割中的应用 !

文章预览

提升SAM的跨域性能,多级特征融合在少样本分割中的应用 ! 在大规模预训练的背景下，大视觉模型（LVM）在图像理解方面展示了巨大的潜力。最近，Segment Anything Model（SAM）的出现使得图像分割领域实现了质的飞跃，支持了灵活的交互提示和强大的学习能力。 然而，其性能往往在跨域和少样本应用中陷入不足。将基础模型的先验知识传递到新应用，同时保持学习能力是一项有价值的研究。本文提出了一种基于SAM的任务适应性提示框架，名为跨域少样本分割（CD-FSS）。 首先，使用多级特征融合（MFF）进行集成特征提取。此外，与分割分支相结合的额外分类域任务适应性自动提示（CDTAP）模块进行了分类域无关的特征提取和高质量可学习提示的生成。 这一显著的进步利用了与模型结构和特殊原型计算相结合的生成式提示方法。尽管确保SAM的先验知识不被 ………………………………