sam

Medsam学习笔记用于预处理 CT（Computed Tomography，计算机断层扫描）和 MR（Magnetic Resonance，磁共振成像）医学图像的脚本。该脚本将 NIfTI 格式（.nii.gz）的3D医学图像和标注转换为NumPy格式，并进行必要的预处理操作。

PPT auto Crorrector项目地址：https://github.com/AkanthaWang/PPT-auto-Crorrector

胖墩会武术

【PyTorch项目实战】SAM（Segment Anything Model） —— 致力于建立第一个图像分割基础模型SAM模型（Segment Anything Model）是由Meta AI提出的一种通用图像分割模型，旨在实现对任何图像中任意物体的快速、高质量分割，具备极强的通用性和零样本能力。支持零样本分割 + 只适用于2D图像分割

从SAM看交互式分割与可提示分割的区别与联系：Interactive Segmentation & Promptable Segmentation个人感觉可提示分割可以归于更优的交互式分割，因为可以通过点、框、文本等与SAM交互并得到分割结果，具体与SAM出现之前的传统可交互式分割对比，确实有一定区别，以SAM中的概念总结如下：

爱吃猫的鱼ouou

（四）YOLO_World-SAM-GraspNet的mujoco抓取仿真（操作记录）这里直接克隆之前项目的环境（二）Graspnet在mujoco的仿真复现（操作记录）_graspnet仿真-CSDN博客

后缀自动机的构建和应用其实是在瞎口胡参考：Meatherm 的奇妙博客SAM 的每个节点都表示一个 endpos 等价类，由于 SAM 和 parent tree 共用节点，所以我们要做的就是在这些节点上添加边使其能接受所有的后缀. 将一个节点的后缀边连向另一个节点表示这个节点的 endpos 等价类中所有串在后面加上一个字符会到达另一个 endpos 等价类. parent tree 上的父亲边将一个节点的 endpos 等价类划分开来，成为互不相交的新等价类，即跳父亲就是前往 endpos 等价类中以当前等价类最短串删去前

吃鱼不卡次

视觉大模型专栏导航关于视觉大模型专栏，暂时还没有比较明确的更新计划，最近会在本专栏上更新关于Sam模型的基本原理，包括Image Encoder、Prompt Encoder及Mask Decoder等模块的实现；还有记录下如何利用Sam代码跑通一个demo。

SAM 2 (Segment Anything )：图像与视频通用分割模型本文翻译整理自：https://github.com/facebookresearch/sam2Segment Anything Model 2 (SAM 2) 是一个基础模型，旨在解决图像和视频中的可提示视觉分割问题。

YOLO目标检测应用——基于 YOLOv8目标检测和 SAM 零样本分割实现指定目标分割在当前的计算机视觉领域，目标分割技术正变得越来越重要。市面上有许多分割模型，它们的工作原理大致相似，通常包括收集数据、配置模型以及训练分割模型等步骤。最终目标是实现精确的目标分割。而随着 SAM（Segment Anything Model）的出现，这一过程变得更加高效。SAM 的独特之处在于，它只需要用户向模型提供某种坐标信息，就能自动完成所有分割工作，极大地简化了操作流程。

计算机视觉｜超详细！Meta视觉大模型Segment Anything（SAM）源码解剖在计算机视觉领域，图像分割是一个核心且具有挑战性的任务，旨在将图像中的不同物体或区域进行划分和识别，广泛应用于自动驾驶、医学影像分析、安防监控等领域。Segment Anything Model（SAM）由 Meta AI 实验室发布，其引入了基于 Prompt 的交互式分割能力，显著提升了图像分割的灵活性和泛化能力。

Work【2】：PGP-SAM —— 无需额外提示的自动化 SAM！和大家分享一下我们发表在 ISBI 2025 上的论文：PGP-SAM: Prototype-Guided Prompt Learning for Efficient Few-Shot Medical Image Segmentation。

SAM应用：医学图像和视频中的任何内容分割中的基准测试与部署医学图像和视频中的任何内容分割：基准测试与部署关键字：SAM、分割一切基础模型、医学图像、视频、多模态最近医学分割模型发展迅速，基于SAM的医学图像处理得到了进一步的发展。为了追踪医学图像处理的最新进展，我们跟踪了最新的SAM2模型，以及其用于医学图像分割的重要应用。

论文阅读笔记: Segment Anything论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresearch/segment-anything 项目地址: https://segment-anything.com/

8.22 万灵药（SAM + Trie + 树剖 + 线段树）http://cplusoj.com/d/senior/p/479?tid=66c55d60c098fe0f6786d470

SAM 2——视频和图像实时实例分割的全新开源模型源码地址：https://github.com/facebookresearch/segment-anything-2 过去几年，人工智能领域在文本处理的基础人工智能方面取得了显著进步，这些进步改变了从客户服务到法律分析等各个行业。然而，在图像处理方面，我们才刚刚开始。视觉数据的复杂性以及训练模型以准确解释和分析图像的挑战带来了重大障碍。随着研究人员继续探索图像和视频的基础人工智能，人工智能图像处理的未来有望为医疗保健、自动驾驶汽车等领域带来创新。

实现分割自动化！基于SAM的医学图像分割又双叒叕有新突破SAM（Segment Anything Model）是一种先进的图像分割模型，在医学图像分割领域的应用潜力巨大。通过不同的策略和改进，它能够更好地适应医学图像的特点，提高分割的准确性和效率，是论文订刊的新热点之一。

万物分割（Segment Anything Model）C++模型推理部署SAM 是一种先进的人工智能模型，已经证明了在分割复杂和多样化图像方面具有优异的表现。该模型是计算机视觉和图像分割领域的一个重大突破。 SAM 的架构旨在处理各种图像分割任务，包括对象检测、实例分割和全景分割。这意味着该模型可以应用于各种用例，从医学图像分析到自主驾驶。

分割大模型论文阅读——SAMUS期刊名： arXiv 期刊信息： 2023-9-13其余信息：代码分割任意模型（SAM）是一种著名的通用图像分割模型，最近在医学图像分割领域引起了相当多的关注。尽管 SAM 在自然图像上表现出色，但在处理医学图像时**，尤其是涉及低对比度、模糊边界、复杂形状和小尺寸物体的图像时，它会遇到显着的性能下降和有限的泛化能力。** 在本文中，我们提出了 SAMUS，一种专为超声图像分割而定制的通用模型。与之前基于SAM的通用模型相比，SAMUS不仅追求更好的泛化性，而且还追求更低的部署成本，使其更适合临床应用。

【Segment Anything Model】十四：原始SAM模型如何传入多框在如下位置打断点，debug运行，观察单框和多框传入有什么维度不同，自己训练的时候按照对应维度组装。

夏天｜여름이다

CV | SAM在医学影像上的模型调研【20240207更新版】本文主要是SAM（Segment Anything）在医学影像上的数据集，模型及评估方法调研【持续更新】~