Meta's Segment Anything Model (SAM) er en model, der kan segmentere objekter i ethvert billedmateriale ved at klassificere pixels i forskellige klasser.

De klassificerede pixels svarer til forskellige objekter eller områder i billedet. Disse modeller har en bred vifte af anvendelsesmuligheder på tværs af flere domæner. Når de bruges med satellit- og flyfoto, kan modellerne hjælpe med at identificere elementer som bygningsfodaftryk, veje, vandarealer, afgrødeområder osv.

Generelt kræver segmenteringsmodellerne at blive trænet fra bunden ved hjælp af et datasæt, der er markeret med de ønskede objekter. Dette kan være en besværlig og tidskrævende opgave.

Meta's Segment Anything Model (SAM) sigter mod at skabe en grundlæggende model, der kan bruges til at segmentere hvad som helst ved hjælp af zero-shot learning og generalisere på tværs af domæner uden yderligere træning.

SAM er trænet på Segment Anything 1-Billion mask-datasættet (SA-1B), der omfatter en stor samling af 11 millioner billeder og over 1 milliard masker. Dette gør modellen meget god til at identificere objektgrænser og differentiere mellem forskellige objekter på tværs af domæner, selvom den måske aldrig har set dem før. Brug denne model til at udtrække masker af forskellige objekter i ethvert billede.

Læs mere her.