مراجعة منهجية ومقارنة لنموذج التقسيم الشامل (Segment Anything Model)

محتوى المقالة الرئيسي

ياسمين مكي محي الدين
صبا عبد الباقي سلمان
نادية محمود حسين
منى عبد الحسين راضي
كابل جوشي

الملخص

المستخلص: يُحسّن نموذج التقسيم لأي شيء (Segment Anything Model - SAM) مجال الرؤية الحاسوبية من خلال توفير تقطيع عام الأغراض يعمل في مختلف المجالات. في هذا الجزء، نستعرض كيفية مقارنة بنية SAM وخط أنابيبه وأدائه مع أفضل تقنيات التقسيم المتقدمة. إن آلية التفاعل المعتمدة على الموجّهات (Prompts) في كل من SAM والعمود الفقري المدرب مسبقًا القائم على Vision Transformer تسهّل تحقيق تعميم فعّال حتى في الحالات الدقيقة جدًا أو البيئات المتخصصة، وهي ظروف قد تؤدي من جهة إلى انخفاض الدقة، ومن جهة أخرى إلى زيادة التكاليف الحسابية.لم تُقدّم الأدبيات العلمية المحكمة أدلة كافية تدعم الادعاءات المتعلقة بمرونة المجالات، أو الكفاءة الحسابية، أو مقاومة المدخلات غير المتماسكة أو منخفضة الجودة. ووفقًا لتحليل المعايير المرجعية، حقق SAM أداءً يفوق Mask R-CNN بنحو 10% تقريبًا، مع متوسط تقاطع على اتحاد (IoU) بلغ 85%. وتشير هذه النتائج إلى وجود درجة متوسطة من القابلية للتكيف عند تقييمه تحت ظروف مختلفة.وتوحي هذه النتائج بأن التكاملات الهجينة، والنماذج المحسّنة، وإعادة تصميم البنية الخفيفة قد تسهم في تحسين الأداء الفوري والدقة في الأنظمة الذاتية، والتصوير الطبي، والتحليلات الجغرافية المكانية. ويُمهّد ذلك الطريق للجيل القادم من خوارزميات التقسيم، كما يشجّع على تطوير نسخ ناجحة وواعية بالمجال من نموذج SAM

تفاصيل المقالة

كيفية الاقتباس
مراجعة منهجية ومقارنة لنموذج التقسيم الشامل (Segment Anything Model). (2026). مجلة كلية التربية الاساسية, 2(عدد خاص), 1277-1296. https://doi.org/10.35950/cbej.v2iعدد خاص.16234
القسم
مقالات العلوم الصرفة

كيفية الاقتباس

مراجعة منهجية ومقارنة لنموذج التقسيم الشامل (Segment Anything Model). (2026). مجلة كلية التربية الاساسية, 2(عدد خاص), 1277-1296. https://doi.org/10.35950/cbej.v2iعدد خاص.16234