An Alternative to WSSS? An Empirical Study of the Segment Anything Model (SAM) on Weakly-Supervised Semantic Segmentation Problems

要約

タイトル：SWSの代替手段？弱教師付き意味セグメンテーション問題に対するセグメント・エニシング・モデル（SAM）の実証的研究

要約：

– SAMは優れた性能と多様性を示し、さまざまな関連課題に対する有望なツールとなっている。
– この報告書では、SAMを弱教師付き意味セグメンテーション（WSSS）に適用することを探究する。
– 特に、画像レベルのクラスラベルのみが与えられた場合、SAMを疑似ラベル生成パイプラインとして適応する。
– 大半の場合で印象的な結果を観察したが、ある制限も同定した。
– PASCAL VOCとMS-COCOにおけるパフォーマンス評価を含めた研究では、両データセットで最新の最先端手法に比べて顕著な改善を達成した。
– この報告書がSAMをWSSSに採用するさらなる探究や、より広い現実世界の適用につながることを期待している。

要約(オリジナル)

The Segment Anything Model (SAM) has demonstrated exceptional performance and versatility, making it a promising tool for various related tasks. In this report, we explore the application of SAM in Weakly-Supervised Semantic Segmentation (WSSS). Particularly, we adapt SAM as the pseudo-label generation pipeline given only the image-level class labels. While we observed impressive results in most cases, we also identify certain limitations. Our study includes performance evaluations on PASCAL VOC and MS-COCO, where we achieved remarkable improvements over the latest state-of-the-art methods on both datasets. We anticipate that this report encourages further explorations of adopting SAM in WSSS, as well as wider real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI