ترجمه فارسی مقاله SAM 2: هر چیزی را در تصاویر و ویدیوها بخش‌بندی کنید

چکیده

We present Segment Anything Model 2 (SAM 2), a foundation model towards solving promptable visual segmentation in images and videos. We build a data engine, which improves model and data via user interaction, to collect the largest video segmentation dataset to date. Our model is a simple transformer architecture with streaming memory for real-time video processing. SAM 2 trained on our data provides strong performance across a wide range of tasks. In video segmentation, we observe better accuracy, using 3x fewer interactions than prior approaches. In image segmentation, our model is more accurate and 6x faster than the Segment Anything Model (SAM). We believe that our data, model, and insights will serve as a significant milestone for video segmentation and related perception tasks. We are releasing a version of our model, the dataset and an interactive demo.

چکیده به فارسی (ترجمه ماشینی)

ما بخش هر مدل 2 (SAM 2) را ارائه می دهیم ، یک مدل پایه در جهت حل تقسیم بندی بصری سریع در تصاویر و فیلم ها.ما یک موتور داده می سازیم که مدل و داده ها را از طریق تعامل کاربر بهبود می بخشد ، تا بزرگترین مجموعه داده تقسیم بندی ویدیویی را تا به امروز جمع آوری کنیم.مدل ما یک معماری ترانسفورماتور ساده با حافظه جریان برای پردازش ویدیوی در زمان واقعی است.SAM 2 که روی داده های ما آموزش داده شده است ، عملکرد محکمی را در طیف گسترده ای از کارها فراهم می کند.در تقسیم بندی ویدیویی ، ما با استفاده از 3 برابر تعامل کمتر از رویکردهای قبلی ، دقت بهتری را مشاهده می کنیم.در تقسیم بندی تصویر ، مدل ما دقیق تر و 6 برابر سریعتر از مدل هر چیزی (SAM) است.ما معتقدیم که داده ها ، مدل ها و بینش های ما به عنوان یک نقطه عطف مهم برای تقسیم ویدیویی و کارهای ادراک مربوطه خدمت می کنند.ما نسخه ای از مدل خود ، مجموعه داده و یک نسخه ی نمایشی تعاملی را منتشر می کنیم.