A Bibliometric Analysis of Segment Anything (SA) Research: Global Trends, Key Contributors, and Thematic Insights
Notice bibliographique
Résumé
This bibliometric analysis provides a comprehensive overview of the research landscape surrounding "Segment Anything (SA)" technology, drawing on 704 documents from the Scopus database between 2020 and 2025. The study reveals a significant surge in scientific production, with publications peaking in 2024, marking it as a critical year for the field's growth. Lecture Notes in Computer Science emerged as the leading publication source, underscoring the foundational role of computer science in SA research, while high publication counts in Remote Sensing and IEEE Transactions on Geoscience and Remote Sensing demonstrate the technology's interdisciplinary applications. Key contributors include a concentrated group of prolific authors, led by Zhang Y and Li Y, who significantly shape the field’s development. Geographically, Chinese institutions dominate research output, particularly Wuhan University, Tsinghua University, and the University of Chinese Academy of Sciences, establishing China as a central research hub. The analysis also highlights the influence of Canada and Brazil, where fewer yet highly impactful publications underscore the field's global relevance. Major thematic focuses, such as "image segmentation," "deep learning," and "medical imaging," indicate the field’s blend of foundational AI advancements and practical applications, especially in healthcare. Overall, this analysis showcases a dynamic and expanding research domain, driven by international collaborations and diverse interdisciplinary applications, setting the stage for further developments in SA technology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,207 | 0,298 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».