基础模型还是微调？河流污染少样本语义分割的评估
Foundation Model or Finetune? Evaluation of few-shot semantic segmentation for river pollution
AI总结：
本文在河流污染语义分割新数据集上比较基础模型与微调模型，发现微调模型即使在数据稀缺时也始终优于基础模型，并公开了代码和数据集。
摘要：
基础模型（FMs）是人工智能研究中的一个热门课题。它们无需重新训练或大量数据即可泛化到新任务和新数据集的能力，使其成为专业数据集应用中的有力候选方案。在本工作中，我们在一个全新数据集上的语义分割任务中，比较了基础模型与微调后的预训练监督模型的性能。我们发现，即使在数据稀缺的情况下，微调模型也始终优于所测试的基础模型。我们在 GitHub 上发布了本工作的代码和数据集。
英文摘要：
Foundation models (FMs) are a popular topic of research in AI. Their ability to generalize to new tasks and datasets without retraining or needing an abundance of data makes them an appealing candidate for applications on specialist datasets. In this work, we compare the performance of FMs to finetuned pre-trained supervised models in the task of semantic segmentation on an entirely new dataset. We see that finetuned models consistently outperform the FMs tested, even in cases were data is scarce. We release the code and dataset for this work on GitHub.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
