CVPR 2024中稿论文汇总

FightingCV · 公众号 · · 2024-03-14 09:00

正文

大家发现了吗？CVPR 2024已经开始放榜啦！！

在众多研究中， EfficientSAM 这篇工作 以5/5/5满分收录于CVPR 2024！就连LeCun图灵奖得主也强烈推荐了该工作！

我们特邀到 美国Top10 CS博士，40余篇论文一作作者—— Paul老师 ，带来主题直播 「cvpr满分工作efficientsam解读和拓展」 带我们探索图像分割领域的未来发展趋势！

扫码参与直播（赠老师授课PPT）

免费领导师亲自整理「SAM分割一切」资料包

文末有福利

导师整理SAM资料包部分展示

图像分割一直是计算机视觉领域的重要研究方向 ,在各国领域也是非常基础的任务，包括无人驾驶、医学影像分析、智能安防等。

传统的深度学习的分割模型 主要的缺点是泛化性能不强 ，Segment Anything Model ( SAM)作为一个里程碑式的图像分割大模型引起了广泛关注 。它可以根据点击、框选等简单交互（作为提示）,快速准确地分割出图像中的任意目标,展现出了令人惊艳的全能分割效果。

扫码参与直播（赠老师授课PPT）

免费领导师亲自整理「SAM分割一切」资料包

文末有福利

SAM的优异表现得益于在海量标注数据上的预训练,但其巨大的模型参数和较长的推理时间也限制了真正的应用落地。

如何在保持较高性能的同时大幅压缩SAM的模型体量和计算量,是能够广泛应用SAM到实时任务的重要难题。

在该满分工作中， Meta 研究者提出了另外一种改进思路 —— 利用 SAM 的掩码图像预训练 (SAMI)。 这是通过利用 MAE 预训练方法和 SAM 模型实现的，以获得高质量的预训练 ViT 编码器。

这一方法 降低了 SAM 的复杂性 ，同时能够保持良好的性能。

研究者在目标检测、实例分割和语义分割上对预训练模型进行了微调。在所有这些任务中，本文方法都取得了比其他预训练基线更好的结果，更重要的是在小模型上获得了显著收益。

论文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 参数减少了 20 倍，但运行时间快了 20 倍，只与原始 SAM 模型的差距在 2 个百分点以内，大大优于 MobileSAM/FastSAM。

demo演示中，点击图中的动物，EfficientSAM 就能快速将物体进行分割：

EfficientSAM 还能准确标定出图片中的人：

还在为创新点而头秃，还在愁如何写出一篇好论文的科研党，一定都需要来自顶会论文作者、顶会审稿人的经验传授和指点。

很可能你卡了很久的某个点，在和学术前辈们聊完之后就能轻松解决。

扫码参与直播（赠老师授课PPT）

免费领导师亲自整理「SAM分割一切」资料包

文末有福利

文末福利