相关实验视频
Updated: Sep 18, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
530
道路对象分割的SAM:有希望但具有挑战性
Alaa Atallah Almazroey1, Salma Kammoun Jarraya1, Reem Alnanih1
1Faculty of Computing and Information Technology, Computer Science Department, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Journal of imaging
|June 25, 2025
概括
细分任何模型 (SAM) 显示了自动驾驶感知的潜力,但与不断变化的光线和遮蔽等各种条件作斗争. 需要进一步的研究,以提高其对现实世界的道路物体细分的稳定性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 深度学习模型对于自动驾驶的感知至关重要,但面临着泛化挑战.
- 由于不同的环境条件,现有的车型在不同的道路物体外观上扎.
研究的目的:
- 为了全面评估零射击道路对象细分的细分任何模型 (SAM).
- 确定SAM在各种现实自动驾驶条件下对道路物体进行细分的能力和局限性.
主要方法:
- 在KITTI,BDD100K和Mapillary Vistas数据集上评估了SAM的性能.
- 利用已建立的评估指标来分析细分精度.
- 专注于零射击细分而没有明确提示.
主要成果:
- SAM展示了道路物体细分的潜力,但也表现出一些局限性.
- 性能受到动态环境,照明变化和遮蔽的挑战.
- 确定了SAM卓越的特定领域,以及需要改进的地方.
结论:
- SAM为自动驾驶感知系统提供了一个有前途的基础.
- 调查结果强调需要进一步开发,以提高SAM在复杂的道路场景中的稳定性.
- 提供了对自动驾驶基础模型未来研究的见解.
