论文
P$^3$-SAM：带有感知并行提示的 SAM，用于少射带钢表面缺陷分割
P$^3$-SAM: SAM with Perceptual Parallel Prompt for Few-Shot Strip Steel Surface Defect Segmentation
摘要
带钢表面缺陷 (S$^3$D) 的少样本语义分割 (FSS) 提出了与自然场景不同的重大挑战。与自然图像不同，S$^3$D 任务表现出独特的特征，包括局部对比度低、光照不均匀和复杂的细粒度纹理图案。尽管最近基于分段任意模型 (SAM) 的方法通过利用 SAM 强大的预训练表示在自然图像的 FSS 中显示出前景，但 S$^3$D 图像的这些独特的工业特征导致在直接将 SAM 应用于工业缺陷场景时导致性能下降。在本文中，我们提出了一种新颖的感知并行提示（P$^3$）框架，该框架增强了 SAM 的能力，创建了 P$^3$-SAM 模型，通过两个核心策略来应对这些挑战。首先，我们开发了一种感知优化编码（POE）策略，可以增强局部对比度并保留 S$^3$D 分割的关键纹理细节。其次，我们引入并行提示生成器 (PPG) 策略，该策略可同时生成语义和空间提示，从而为 SAM 解码器跨不同图像提供全面指导。对三个少样本 S$^3$D 基准的大量实验表明，P$^3$-SAM 实现了最先进的性能，尤其是 Surface Defects-4i 数据集上的 mIoU 显着提高了 12.00%。