Segment Anything Model
Segment Anything Model (SAM) är en grundmodell introducerad av Kirillov et al. 2023 som kan segmentera vilket objekt som helst i en bild givet olika former av prompter. SAM är tränad på en massiv datamängd av varierande bilder och lär sig att segmentera objekt baserat på minimal användarinmatning såsom punkter, boxar eller textbeskrivningar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). A Foundation Model for Image Segmentation. ScholarGate. https://scholargate.app/sv/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)Djupinlärning↔ compare
- Maskerade autoenkodrarDjupinlärning↔ compare
- Swin TransformerDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →