Scalpel-SAM：赤外線小型物体検出のための半教師あり学習パラダイム

この論文は、赤外線小型物体検出（IR-SOT）におけるデータ不足という重要な問題に取り組み、SAM（Segment Anything Model）を活用した半教師あり学習アプローチを提案しています。中核的な貢献は、Hierarchical MoE Adapterを使用してSAMから知識を抽出し、軽量なダウンストリームモデルに転送する、新しい2段階のパラダイムにあります。これは、IR-SOTにおける高いアノテーションコストに対処し、最小限のアノテーションで完全教師あり学習手法と同等以上の性能を示すため、重要です。

• •半教師あり学習アプローチを使用して、IR-SOTにおけるデータ不足に対処。
• •教師モデルとしてSAMを活用。
• •Prior-Guided Knowledge DistillationとDeployment-Oriented Knowledge Transferの2段階パラダイムを提案。
• •Hierarchical MoE Adapterを採用。
• •最小限のアノテーションで、完全教師あり学習手法と同等以上の性能を達成。