研究人员开发了SAM3-LoRA,一种用于SAM3基础模型进行多类别结构缺陷分割的参数高效适应技术。该方法利用低秩适应(LoRA)对SAM3进行微调,所需参数远少于完全微调。该研究引入了一种新颖的监督程序,直接使用类别名称作为提示从COCO风格的实例分割数据中训练模型,无需提示模板或学习到的嵌入。此外,它通过采用详尽的硬负面提示(包括使用不存在的类别进行查询)来解决模型预测与文本条件脱钩的特定失败模式。这种方法在分割精度方面取得了显著的改进,在隧道衬砌数据集上的像素交并比从0.017提高到0.338,在结构缺陷数据集上的像素交并比从0.017提高到0.855。 AI
影响 这项研究为将大型基础模型适应特定任务提供了一种更有效的方法,有可能降低领域特定人工智能应用的门槛。
排序理由 这是一篇详细介绍适应基础模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →