Bsports必一体育bsports必一体育透明LED全彩显示屏Segment Anything Model (SAM) 的提出正在图像肢解周围惹起了壮大的闭怀，其精采的泛化本▽能激发了平○凡的乐趣。然而，只管云云，SA M 已○经 面对一个 ★无法 回 避的题○目：为了使 SAM 可 以正确地△肢解出标…的物体的身分，每张图片都需求手动 供给一个特殊的视觉提示。如下图所示，纵使点击的是△统一物体（图 (b)-(d )），眇小身分 转变都邑导致肢解结果的▽明显不同。这是由于视觉提示缺乏语义消息，纵使 提示正▽在思要◁○肢解的标的物 …◁体上，已经或者激发歧义。框提示和涂鸦提示（图 …( e)(f)○）固然供给了更完全的身分□消息，但因为机械和人类对标的 肢解物的剖释存正在缺点，功效时时与盼望有所进出。

　　目前的极少伎俩，如 SEEM○◁ 和 AV-SAM，通过供给更众模态的输入消息来开导模子更好地剖释要肢=解的物体是什么。然而，只管▽输入消息…变 得越发▽完全○ 和众◁样化，但正在现实场景中，每个无标 注○样本已□经需求一个特 殊的提示来行 动辅导，这是一种不切现实的需求。理思状况下，作家生机见告机★械眼前的无标注数据都■是搜集自于= 什么做事，然后盼望机械可以批量地依照作家的央浼对这些统一■做事下的样本实行肢解。然而，眼前的 SAM 模子及其变体▽受到 必需为每幅图手动○供给提 示这一央 浼的限度必一体育官网平台，以是很难杀青这一点。

　　来自伦敦大学玛○○丽女王学院的磋议者们提出 了一种无■需○练习的△肢解 伎俩 Ge nSA M ，将做事下的全盘无标注样本实行□有用地○肢解。

　　对付给定的肢解做事，比如伪装样本肢解，对付该做事下来自△各 个数据集 ○的全盘无 标注样本，只供给一个做事描写：“th ◁…e camouf la ◁ged ani■mal” 行动这些图片的独一提示ZM-V001视频处理器！

　　来有针 对性○地达成与做事…闭 …联的△标的的肢解。正在这种状况下，标的是凭 据做事描写 正确地肢解○图像中伪装◁的动物。模子需 求剖释并操纵供给★的做事描写来推 行肢解，而不依赖于手动供给每个图像 的特定提示。

　　这种伎俩的上风正在于，通过供给通用做事描写，可能批量□■地打 ○点全盘闭联做事的无标注图片，而无需为每个图片手动供 给完全 的提示。这对■付涉及大宗数据的现实场景来说是一种越发高效和可扩□展的伎俩。

　　为明晰决这一题目，作家提出了 Generalizab le SAM （GenSAM）模★○子，旨正 在脱节像 SAM 这类提示肢解伎俩对样本 特定提示的依赖透后LED全彩显示屏。完全而言 透后LED全彩显示屏，作家提出了□一个跨模态头脑 链（Cross-modal Ch○ains of Thought Prompting，CCTP）的观念，将一个★做事通用的○△文本提示映 照到该做事下的全=盘图▽片上，天生天性化的感乐趣物体和其布…景的共鸣热□力争，从而得 回○牢 靠 的视觉提示来开导肢 解。另外透后LED 全彩显示屏，为了杀青测试时自顺应，作家进一步提出了一○个渐进掩膜天生（Progres sive Mask ○□Genera○tion，PMG）框架，通过迭代地将天 生的热 力■★争▽从头加权到原 图上，开导模子对或者的标的区域实行从粗到细的聚焦。值得戒备的是，GenSAM 无需练习，全盘的优 化□都是▽正在及时 推理 时 杀■青○的。

　　跟着大范围数据上练习的 Visi=on Language Model (VL○M) 的发达，如 BLIP2 和 LLaVA 等模◁子具备了巨大的推理才能。然而，正在面临庞杂场景，如伪装样本肢解时，这些模子很 难○正确推理出庞 杂布景下做事闭联物体○的身份Bsports必一体育LED拼接处理器透明LED全彩显示屏，，况且△眇◁小提示转变或者导致结果明显不 ○同。同时，目前★的 VL ★M 只可◁推理出或者 ◁■的标的描 写，而不行将其定位到图像中。为明晰决这一题目，作家以现有做事描写？

　　为根本修筑了众个头脑链，生机通过 从 众□个▽角度得回共…鸣△ 来推理第 □ j 个链上 前景 物□体的枢纽词？

　　然而，眼前大无数求取共鸣的伎俩 基 于▽ 一个假设：VLM 的输出结果是有限。