Wenhao Jiang

LlamaSeg 使用 LLaMA 式 Transformer 和大型数据集统一图像分割

研究人员推出 LlamaSeg，这是一个新颖的自回归框架，通过自然语言指令统一各种图像分割任务。该方法将分割视为视觉生成问题，将掩码编码为视觉标记，并利用 LLaMA 式 Transformer 进行直接的下一个标记预测。为了促进大规模训练，开发了一个新的数据标注管道，产生了 SA-OVRS 数据集，该数据集包含 200 万个分割掩码和超过 5,800 个开放词汇标签。实验表明，LlamaSeg 在多个基准测试中超越了现有的生成分割方…