【他山之石·】CVPR 2024 | 分割一切模型SAM泛化能力差？域适应策略给解决了

文章预览

“ 他 山 之 石 ， 可 以 攻 玉 ” ， 站 在 巨 人 的 肩 膀 才 能 看 得 更 高 ， 走 得 更 远 。 在 科 研 的 道 路 上 ， 更 需 借 助 东 风 才 能 更 快 前 行 。 为 此 ， 我 们 特 别 搜 集 整 理 了 一 些 实 用 的 代 码 链 接 ， 数 据 集 ， 软 件 ， 编 程 技 巧 等 ， 开 辟 “ 他 山 之 石 ” 专 栏 ， 助 你 乘 风 破 浪 ， 一 路 奋 勇 向 前 ， 敬 请 关 注 ！ 论文地址：https://arxiv.org/pdf/2312.03502.pdf 项目地址：https://github.com/Zhang-Haojie/WeSAM 论文标题：Improving the Generalization of Segmentation Foundation Model under Distribution Shift via Weakly Supervised Adaptation 引言 大语言模型（LLMs）的成功激发了计算机视觉领域探索分割基础模型的兴趣。这些基础分割模型通常通过  Prompt Engineer  来进行 zero/few 图像分割。其中， Segment Anything Model （SAM）是最先进的图像分割基础模型。 图  SAM ………………………………