摘要

本文探讨了利用SAM分割器提升现有分割方法性能的潜力。SAM是一种可提示（promptable）的分割系统，具备对未知物体和图像的零样本泛化能力，无需额外训练即可实现分割。其在GitHub上的开源特性使得该模型易于获取与部署。在实验中，我们通过提取DeepLabv3+生成的掩码所对应的检查点（checkpoints），将其输入SAM，进而融合两个网络提供的分割掩码，以提升整体分割性能。此外，我们还引入了“理想（oracle）”方法作为性能上限基准，该方法仅使用从真实标签（ground truth）中提取的检查点来驱动SAM进行分割。同时，在CAMO数据集上，我们测试了PVTv2 Transformer的集成模型，将该集成模型与SAM相结合，取得了该数据集上的最先进（state-of-the-art）性能。本研究结果为将SAM分割器融入现有分割技术提供了重要启示。本文随附开源代码实现，供学术界与工业界参考与复现。