【导读】Facebook 工程团队发布了Segment Anything Model (SAM)。SAM 具有很高的“零样本”泛化能力，这意味着它可以准确地检测算法没有见过或没有专门训练过的物体。我们在项目中（主要是农业、AEC 和能源领域）中测试 了SAM，下面我会通过3个例子说明SAM的具体应用。
农田界线数字化
精准农业和农业分析工具从根本上依赖于数字化农作物的边界。这是因为农业经营往往在田间层面进行定义——种植、土壤肥沃、作物轮作和改良都是逐田管理的。
虽然不同的作物类型对人类来说在视觉上是显而易见的，但为了自动化分析，机器需要知道每种作物的边界以过滤掉无关信息。
田地边界数字化通常是手工完成的，使用卫星图像作为参考逐点绘制田地边界。
我们开始测试 Segment Anything Model，并使用商用卫星图像描绘田地边界，并取得了可喜的成果。下图显示了 SAM 自动掩码算法的原始结果，没有任何预处理或参数调整：
未屏蔽的原始图像
被 SAM 遮盖的 Mapbox 卫星图像图块
虽然 SAM 的默认掩码生成器未检测到某些区域，但后续测试表明，可以通过一些手段提高检测率，以捕获每个区域的可信度。当然，我们在测试中发现，非农业地块也将被分割，因此现实世界的用例需要进一步处理，以屏蔽某些组件，确定它是一块田地还是一片树木、宅基地等。
土木工程中的基础设施识别
从商用无人机收集图像是 AEC 行业（尤其是土木工程）中一种快速扩展分析和建模技术。
可以将基础设施的高质量图像输入统计和机器学习模型，以做出有关基础设施健康状况的决策。即使是高质量的图像，也需要将基础设施与其背景隔离开来，以便算法可以滤除相邻对象和背景对象的噪声。
通过无人机捕获的桥面，以及相应的蒙版版本，使用 SAM 的蒙版生成器生成
使用 SAM 生成，实现了桥面与背景的分割。我们使用 SAM 在 RGB 光栅图像中隔离大桥桥面表面取得了高质量的结果。其他图像（例如热成像）可以对原始照片进行地理参考，并且蒙版也可以应用于该图像，而无需重新计算。
用于缺陷检测的快速数据集标记
应用计算机视觉面临的最大挑战之一是缺乏高质量的标记数据集。许多公司已经发现了自动化来识别和分类缺陷（有问题的样本较少，样本不均衡），无论是在停车场、太阳能电池阵列还是桥面板表面。实际项目中，我们可能需要大量的缺陷图像，并且需要手动标记它们来训练算法。
Facebook 工程团队强调的主要用例之一是使用 SAM 生成标签的速度。虽然为高效注释而设计的工具并不是一个新概念。之前我们公司也使用labelGO（基于YOLOV5的智能标注）。
SAM 的智能多边形工具 VS 手绘多边形
SAM 团队的基准测试具有突出的优势。通过广义零镜头方法，SAM 能够在非常多样化的应用程序集中生成Mask（即训练标签）。
本公众号只做干货，分享实际项目中的点点滴滴
希望您阅读后有所收获
同时，也希望您能在下方给个赞赏
您的赞赏
是我持续创作的最大动力！
非常感谢！
2、中国市级行政区shp（WGS84）【2022 · 最新数据共享】
4、IntelliJ IDEA 2022.3.1 专业版破解
9、Segment Anything 模型的 3 个地理空间和遥感用例
12、QGIS软件安装包下载
点分享
点点赞
点在看