针对类别无关实例级分割的SAM 2评估研究
原文中文，约300字，阅读约需1分钟。发表于：。本文针对Segment Anything Model 2（SAM2）在类别无关实例级分割任务中的表现进行了评估，填补了现有研究中的评测空白。通过采用不同的提示策略，研究揭示了SAM2在显著实例分割、伪装实例分割和阴影实例检测等场景中的性能差异以及对高分辨率结构分割的局限性。结果显示，SAM2的表现具有场景依赖性，提出利用SAM2适配器以提升大规模视觉模型在该领域的性能上限的建议。
本文评估了Segment Anything Model 2（SAM2）在类别无关实例级分割任务中的表现，并填补了现有研究中的评测空白。研究发现SAM2在不同场景中的性能差异，以及对高分辨率结构分割的局限性。建议利用SAM2适配器提升大规模视觉模型在该领域的性能上限。
