Segment Anything Model
Segment Anything Model (SAM) er en grundmodel introduceret af Kirillov et al. i 2023, som kan segmentere ethvert objekt i et billede givet forskellige former for prompts. SAM er trænet på et massivt datasæt af diverse billeder og lærer at segmentere objekter baseret på minimal brugerinput såsom punkter, bokse eller tekstbeskrivelser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Kirillov, A., Mintun, E., Darrell, T., & Girshick, R. (2023). Segment Anything. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 4015-4026). DOI: 10.1109/iccv51070.2023.00371 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). A Foundation Model for Image Segmentation. ScholarGate. https://scholargate.app/da/deep-learning/segment-anything-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DETR (Detection Transformer)Dyb læring↔ compare
- Maskerede AutoencodersDyb læring↔ compare
- Swin TransformerDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →