Herhangi Bir Şeyi Segment Etme Modeli
A Foundation Model for Image Segmentation · Ayrıca şöyle bilinir: SAM, Segment Anything
Herhangi Bir Şeyi Segment Etme Modeli (SAM), Kirillov ve arkadaşları tarafından 2023'te tanıtılan, çeşitli biçimlerdeki istemler verildiğinde bir görüntüdeki herhangi bir nesneyi segment edebilen bir temel modeldir. SAM, çeşitli görüntülerden oluşan devasa bir veri kümesi üzerinde eğitilmiştir ve noktalar, kutular veya metin açıklamaları gibi minimum kullanıcı girdisine dayalı olarak nesneleri segment etmeyi öğrenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
SAM, farklı kullanıcıların farklı nesne kategorilerinin segmentasyonunu isteyebileceği etkileşimli segmentasyon ve genel amaçlı nesne segmentasyonu görevleri için idealdir. Potansiyel nesnelerin çeşitliliği nedeniyle görevlere özel modeller eğitmenin pratik olmadığı senaryolarda üstündür. Tıbbi görüntüleme veya uydu analizi gibi özel alanlar için, SAM'i alanlara özel veriler üzerinde ince ayar yapmak genellikle temel modeli geride bırakır. Belirli bir problem için büyük veri kümelerine sahip olduğunuzda standart segmentasyon ağları tercih edilir.
Güçlü yönler & sınırlılıklar
- Görevlere özel modeller eğitme ihtiyacını ortadan kaldırarak, minimum girdi ile bir görüntüdeki herhangi bir nesneyi segment eder.
- Devasa çeşitli veri kümesinden öğrenilen çeşitli nesne türlerine, dokulara ve örtülme modellerine karşı sağlamdır.
- Esnek istemler, kullanıcı iyileştirmesiyle etkileşimli segmentasyon iş akışlarını etkinleştirir.
- Hızlı çıkarım, gerçek zamanlı etkileşimli uygulamalara ve hızlı prototiplemeye olanak tanır.
- Küçük nesneler veya ince ayrıntılarla mücadele edebilir; SAM'in kodlayıcı çözünürlüğü, minik özelliklerin tespitini sınırlar.
- Belirsiz istemler bazen birden fazla geçerli maske üretir, bu da kullanıcı tarafından belirsizliğin giderilmesini gerektirir.
- Özel alanlardaki (tıbbi görüntüleme, uydu) performans, ince ayar yapılana kadar alanlara özel yöntemlerin gerisinde kalır.
SSS
SAM ne tür istemleri destekler?
SAM, noktalar (bir nesneye tıklama), sınırlayıcı kutular (bir dikdörtgen çizme), metin açıklamaları ve maske iyileştirme (önceki bir maskeyi iyileştirme) gibi istemleri destekler. Noktalar pozitif (nesne içinde) veya negatif (nesne dışında) olabilir. Birden fazla istem birleştirilebilir; belirsiz durumlar için SAM, güvenilirliğe göre sıralanmış birden fazla aday maske döndürür.
SAM belirsiz durumlarla nasıl başa çıkar?
Bir istem birden fazla geçerli nesneye karşılık gelebiliyorsa (örneğin, iki nesne arasındaki bir sınıra tıklama), SAM birden fazla aday maske tahmin eder. Bunları tahmin edilen IoU puanlarını kullanarak sıralar, bu da kullanıcıların doğru maskeyi seçmesine olanak tanır. Bu esneklik, SAM'in kenar durumlarını başarısız olmadan ele almasını sağlar.
SAM özel alanlar için ince ayar yapılabilir mi?
Evet, SAM performansı artırmak için alanlara özel veri kümeleri üzerinde ince ayar yapılabilir. Tıbbi görüntüleme ince ayarı genellikle sonuçları önemli ölçüde iyileştirir. Temel model, sıfırdan eğitime göre daha az görevlere özel veri gerektiren güçlü bir başlangıç sağlar, bu da onu özel uygulamalar için pratik hale getirir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). A Foundation Model for Image Segmentation. ScholarGate. https://scholargate.app/tr/deep-learning/segment-anything-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DETR (Tespit Transformatörü)Derin öğrenme↔ karşılaştır
- Masked Autoencoders (MAE)Derin öğrenme↔ karşılaştır
- Swin TransformerDerin öğrenme↔ karşılaştır
- Vision TransformerDerin öğrenme↔ karşılaştır