摘要

在计算机视觉中，目标检测是一项重要的任务，其应用广泛存在于多种场景中。然而，在拥挤的场景中获取大量标签往往具有挑战性。最近，提出了一个强大的零样本分割模型——Segment Anything Model（SAM），为实例分割任务提供了一种新颖的方法。然而，当处理拥挤和遮挡场景中的对象时，SAM及其变体的准确性和效率通常会受到影响。本文介绍了一种基于SAM的框架——Crowd-SAM，旨在通过引入少量可学习参数和最少的标注图像来提升SAM在拥挤和遮挡场景中的性能。我们引入了一个高效的提示采样器（Efficient Prompt Sampler, EPS）和一个整体-部分判别网络（Part-Whole Discrimination Network, PWD-Net），以增强在拥挤场景中的掩码选择和准确性。尽管其结构简单，但Crowd-SAM在多个基准测试中，包括CrowdHuman和CityPersons，表现与最先进的（State-of-the-Art, SOTA）全监督目标检测方法相当。我们的代码已发布在 https://github.com/FelixCaae/CrowdSAM。