SABM：一种蝴蝶生态图像分割的增强SAM模型

摘要

通过分割生态图像中蝴蝶获得蝴蝶掩码是基于生态图像的蝴蝶物种自动化识别的基础，因此研究蝴蝶生态图像分割有重要意义。然而，现有蝴蝶生态图像存在数据集样本量小、蝴蝶拟态、翅膀遮挡等问题，使现有深度网络难以训练出具有良好泛化能力的分割模型。为此，通过改进SAM(segment anything model)模型，提出一种鲁棒的蝴蝶生态图像分割新模型SABM(segment any butterfly model)。SABM模型通过引入双路卷积模块、蝴蝶词元（butterfly token）及一个3层MLP(multi-layer perceptron)使模型具有更好的特征学习能力。707张蝴蝶生态图像数据集的2折交叉验证实验表明，SABM模型对蝴蝶生态图像的分割能力超越了SAM及其现有的改进SOTA模型。7 645张全新蝴蝶生态图像数据集的分割实验测试发现，SABM模型具有非常好的泛化性能，对7 645张全新蝴蝶生态图像的蝴蝶实现了非常好的分割。该分割结果为未来的蝴蝶生态图像分割研究提供了10倍于现有数据的大数据集，为野外环境下的蝴蝶物种自动识别提供了更好的可用数据，也为测试聚类算法性能提供了富有挑战性的数据集。另外，还在医学图像数据测试了SABM模型的鲁棒性。

关键词

蝴蝶分割 / 双路卷积 / SAM / SABM / 图像分割