BriefGPT - AI 论文速递
·
WeakSAM：融合分割与弱监督实例级别识别的方法
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
该研究使用CLIP和SAM模型解决弱监督语义分割问题，通过生成高质量的分割种子并使用伪标签进行训练，取得了有竞争力的结果。
🎯
关键要点
-
研究利用CLIP和SAM模型解决弱监督语义分割问题。
-
提出基于CLIP和SAM的粗到精细框架生成高质量分割种子。
-
冻结CLIP权重并使用可学习的任务特定提示执行图像分类和种子分割任务。
-
设计基于SAM的分区模块应用于生成粗糙或精细的种子图。
-
使用多标签对比损失和CAM激活损失进行监督学习提示。
-
学习提示后，将图像和分割特定提示输入CLIP和SAMS模块生成分割种子。
-
生成的种子用作伪标签训练现成的分割网络。
-
实验结果显示该方法在PASCAL VOC 2012上取得最先进性能，在MS COCO 2014上获得竞争力结果。
➡️
