近日，海南大学计算机科学与技术学院2020级本科生连仕杰发表的论文，题目为“Diving into Underwater: Segment Anything Model Guided Underwater Salient Instance Segmentation and A Large-scale Dataset”被CCF A类国际顶级会议ICML录用，这是该生继2023年在CCF A类会议ICCV发表论文后，再次发表CCF A类会议论文。该论文的共同第一作者为海南大学计算机科学与技术学院2019级毕业生张紫祎，通讯作者及指导教师为计算机学院专任教师李华副教授。
据悉，International Conference on Machine Learning 2024（简称ICML）为国际顶级会议是中国计算机学会推荐的A类顶级国际学术会议，在全球范围内的人工智能和机器学习领域享有极高的学术声誉。该论文提出了首个通用水下图像显著性实例分割数据集，同时还首次设计了用于复杂水下环境中的显著性实例分割的算法，具有以下两大创新点:
1. 该论文为水下显著性实例分割任务构建了首个大规模数据集，名为USIS10K。USIS10K数据集中包含了10632幅图像在7个类别上的逐像素级标注，并且同时包含了同一张图像的类不可知显著性实例掩码标签和多类别显著性实例掩码标签。
图一 USIS10K数据集示意图
2. 该论文首次尝试将交互式分割模型Segment Anything应用于水下显著性实例分割任务中，并提出了USIS-SAM模型，旨在提高复杂水下场景的分割精度。在USIS-SAM模型中，设计了水下自适应ViT编码器（Underwater Adaptive ViT Encoder），通过嵌入到网络中的Adapter模块为网络动态引入水下视觉知识；并设计了显著性特征提示生成器（Salient Feature Prompt Generator），引导网络定位水下环境中的显著性区域，从而进行端到端的高精度分割。
图二 USIS-SAM模型集示意图
多组对比实验结果表明，USIS-SAM模型在USIS10K与SIS10K数据集上与最先进的显著性实例分割方法相比时，在测评指标上处于领先地位，实现了优异的性能。
