成都最新房价一览表来客seo

零: 项目说明

是这样的一个事情，经过与deepseek的一番讨论和交流，DeepSeek为我设计了一个30天高强度学习计划，重点聚焦弱监督/无监督语义分割在野外场景的应用，结合理论与实践，并最终导向可落地的开源项目。

主要想法是做基于大模型的弱监督语义分割，主要步骤如下：

• 自动生成标注：大模型生成图像级标签，边框，涂鸦、点标注等几种弱监督标注类型的标注：
• 生成伪标签：采用基于类激活图(CAM, Class Activation Mapping)的方法 + CRF后处理，利用分类网络生成伪标签pseudo
• 训练分割模型：将伪标签作为监督信号，训练U-Net、DeepLabv3+等分割网络。

代码在这里：不断改进中：
https://github.com/Tipriest/30Days-for-segmentation

---

一: 使用grounding-dino model标注地形所在的范围框

1.1 单个正向词汇的标注效果

1. 原始图片:
   

2. 给定关键词lawn

3. grounding-dino模型的标注框
   

4. sam模型的分割效果
   

1.2单个正向词汇+单个反向词汇的标注效果

1. 原始图片:
   

2. 给定关键词yellow brick road without curb

3. grounding-dino模型的标注框
   

4. sam模型的分割效果
   

1.3 对于相对复杂的地形图片的标注效果

下面的这张图片中，有两个不连通的黄色砖路:

prompt给的是yellow brick road without curb，使用grounding dino的标注效果如下图所示
可以看到，这里只标注了一个黄色砖路：

使用SAM识别的效果如下所示

如果提示词给的是curb的话，对于这种复杂一些的图片，效果如下所示:
这是原图像：

这个是标注之后的图像

这个是sam的结果