近日，中国海洋大学副教授王胜科团队在图像分割领域取得突破性进展，提出了一种边缘导向的分割任意模型EG-SAM，该成果已发表在国际权威期刊《专家系统与应用》 上。EG-SAM算法通过引入边缘监督机制，显著提升了复杂场景下目标分割的精度与鲁棒性。

图像分割是计算机视觉领域的一项关键技术，旨在将图像划分为不同的区域或对象类别，以识别和提取特定目标。然而，传统分割任意模型在处理边界模糊或结构复杂的物体时，其预测结果往往不够理想。为了解决这一难题，王胜科团队创新性地设计了EG-SAM算法。

EG-SAM算法的核心在于其梯度边缘感知模块和边缘驱动模块的协同作用。梯度边缘感知模块利用视觉转换器的早期和后期特征，结合梯度信息生成高精度的边缘掩模。这一模块有效整合了低级语义信息和高级语义信息，为模型提供了丰富的边缘细节。而边缘驱动模块则进一步将边缘特征注入主干网络，强化模型对目标结构的感知能力。通过这两个模块的联合作用，EG-SAM实现了边缘信息与整体特征的深度融合，从而显著提升了复杂场景下目标分割的精度。

在具体实现上，EG-SAM采用了“冻结编码器+微调解码器”的策略。这一策略在保留强大零样本能力的同时，通过少量可学习参数实现了性能的显著增强。

实验结果表明，EG-SAM在DIS、ThinObject-5K、COIFT等多个超细粒度数据集上的平均交并比提升了1.6%，边界交并比提升了3%，显著优于现有模型。

为了验证EG-SAM的泛化能力，研究团队还在伪装目标检测领域进行了测试。在COD10K、NC4K、CAMO三个数据集上，EG-SAM的前三项评估指标较次优模型分别提升了4.2%、1.5%、0.9%，展现出强大的跨领域应用潜力。此外，EG-SAM在裂纹检测、玻璃检测等实际任务中也表现出色，无需额外训练即可实现高质量的分割结果。

尽管EG-SAM在复杂场景下取得了显著突破，但团队也指出，其在医学图像分割等特定任务中的泛化性能仍需进一步提升。

业内专家对EG-SAM算法给予了高度评价。他们认为，该算法通过边缘监督机制破解了复杂目标分割的瓶颈问题，其“解耦边缘与整体特征”的设计理念为计算机视觉领域提供了新的思路。该研究不仅推动了分割技术的进步，也为跨领域应用奠定了基础，有望在自动驾驶、医学影像分析等领域发挥重要作用。

相关论文信息：