中國海洋大學團隊提出邊緣導向SAM算法

　　近日，中國海洋大學副教授王勝科團隊在圖像分割領域取得突破性進展，提出了一種邊緣導向的分割任意模型EG-SAM，該成果已發表在國際權威期刊《專家系統與應用》 上。EG-SAM算法通過引入邊緣監督機制，顯著提升了復雜場景下目標分割的精度與魯棒性。

　　圖像分割是計算機視覺領域的一項關鍵技術，旨在將圖像劃分為不同的區域或對象類別，以識別和提取特定目標。然而，傳統分割任意模型在處理邊界模糊或結構復雜的物體時，其預測結果往往不夠理想。為了解決這一難題，王勝科團隊創新性地設計了EG-SAM算法。

　　EG-SAM算法的核心在于其梯度邊緣感知模塊和邊緣驅動模塊的協同作用。梯度邊緣感知模塊利用視覺轉換器的早期和后期特征，結合梯度信息生成高精度的邊緣掩模。這一模塊有效整合了低級語義信息和高級語義信息，為模型提供了豐富的邊緣細節。而邊緣驅動模塊則進一步將邊緣特征注入主干網絡，強化模型對目標結構的感知能力。通過這兩個模塊的聯合作用，EG-SAM實現了邊緣信息與整體特征的深度融合，從而顯著提升了復雜場景下目標分割的精度。

　　在具體實現上，EG-SAM采用了“凍結編碼器+微調解碼器”的策略。這一策略在保留強大零樣本能力的同時，通過少量可學習參數實現了性能的顯著增強。

　　實驗結果表明，EG-SAM在DIS、ThinObject-5K、COIFT等多個超細粒度數據集上的平均交并比提升了1.6%，邊界交并比提升了3%，顯著優于現有模型。

　　為了驗證EG-SAM的泛化能力，研究團隊還在偽裝目標檢測領域進行了測試。在COD10K、NC4K、CAMO三個數據集上，EG-SAM的前三項評估指標較次優模型分別提升了4.2%、1.5%、0.9%，展現出強大的跨領域應用潛力。此外，EG-SAM在裂紋檢測、玻璃檢測等實際任務中也表現出色，無需額外訓練即可實現高質量的分割結果。

　　盡管EG-SAM在復雜場景下取得了顯著突破，但團隊也指出，其在醫學圖像分割等特定任務中的泛化性能仍需進一步提升。

　　業內專家對EG-SAM算法給予了高度評價。他們認為，該算法通過邊緣監督機制破解了復雜目標分割的瓶頸問題，其“解耦邊緣與整體特征”的設計理念為計算機視覺領域提供了新的思路。該研究不僅推動了分割技術的進步，也為跨領域應用奠定了基礎，有望在自動駕駛、醫學影像分析等領域發揮重要作用。