比Meta「分割一切AI」更全能！港科大版图像分割AI来了：实现更强粒度和语义功能

本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《比Meta「分割一切AI」更全能！港科大版图像分割AI来了：实现更强粒度和语义功能》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~

比Meta“分割一切”的SAM更全能的图像分割AI，来了！

模型名为Semantic-SAM，顾名思义，在完全复现SAM分割效果的基础上，这个AI还具有两大特点：

• 语义感知：模型能够给分割出的实体提供语义标签
• 粒度丰富：模型能够分割从物体到部件的不同粒度级别的实体

图片

用作者自己的话说：

Semantic-SAM，在多个粒度(granularity)上分割(segment)和识别(recognize)物体的通用图像分割模型。

据我们所知，我们的工作是在 SA-1B数据集、通用分割数据集(COCO等)和部件分割数据集(PASCAL Part等)上联合训练模型的首次尝试，并系统研究了在SA-1B 上定义的交互分割任务(promptable segmentation)和其他分割任务(例如，全景分割和部件分割)上多任务联合训练的相互促进作用。

论文来自香港科技大学、微软研究院、IDEA研究院、香港大学、威斯康星大学麦迪逊分校和清华大学等研究单位。

具体详情，一起来看~

• 论文地址：https://arxiv.org/abs/2307.04767
• 代码地址：https://github.com/UX-Decoder/Semantic-SAM
• 在线Demo地址：上述代码仓库的首页

(以下为论文作者投稿)

1.简介

Semantic-SAM可以完全复现SAM的分割效果并达到更好的粒度和语义功能，是一个强大的vision foundation model。Semantic-SAM 支持广泛的分割任务及其相关应用，包括：

• Generic Segmentation 通用分割（全景/语义/实例分割）
• Part Segmentation 细粒度分割
• Interactive Segmentation with Multi-Granularity Semantics 具有多粒度语义的交互式分割
• Multi-Granularity Image Editing 多粒度图像编辑

图片

1.1 复现SAM

SAM是Semantic-SAM的子任务。我们开源了复现SAM效果的代码，这是开源社区第一份基于DETR结构的SAM复现代码。

1.2 超越SAM

• 粒度丰富性: Semantic-SAM能够产生用户点击所需的所有可能分割粒度（1-6）的高质量实体分割，从而实现更加可控和用户友好的交互式分割。
• 语义感知性。Semantic-SAM使用带有语义标记的数据集和SA-1B数据集联合训练模型，以学习物体(object)级别和细粒度(part)级别的语义信息。
• 多功能。Semantic-SAM 实现了高质量的全景，语义，实例，细粒度分割和交互式分割，验证了SA-1B 和其他分割任务的相互促进作用。

只需单击一下即可输出多达 6 个粒度分割！与 SAM 相比，更可控地匹配用户意图，不用担心鼠标移动很久也找不到想要的分割了～

2. 模型介绍

2.1 模型结构

Semantic-SAM的模型结构基于Mask DINO进行开发。Mask DINO是基于DETR框架的统一检测和分割的网络，目前仍然是相同模型size下的SOTA模型。Semantic-SAM的模型结构主要改进在decoder部分，同时支持通用分割和交互式分割。通用分割的实现与Mask DINO相同。交互式分割包括point和box两种形式，其中box到mask不存在匹配的ambiguity，实现方式与通用分割相同，而point到mask的匹配是Semantic-SAM的关键设计。

在Semantic-SAM中，用户的point输入被转换成6个prompt, 每个prompt包含一个可学习的level embedding进行区分。这6个prompt通过decoder产生6个不同粒度的分割结果，以及object和part类别。

图片

2.2 训练

为了学到物体级别(object)和部件级别(part)的语义，Semantic-SAM同时从多个数据集中进行学习，如多粒度数据集(SA-1B)，物体级别数据集(如COCO)，以及部件级别数据集(如Pascal Part)。

为了从联合数据集中学习语义感知性和粒度丰富性，我们引入以下两种训练方法：

解耦物体分类与部件分类的语义学习：为了学习到可泛化的物体和部件语义，我们采用解耦的物体分类和部件分类，以使得只有object标注的数据也可以学习到一些通用的part语义。例如，head是在几乎所有动物上都通用的part，我们期望模型从有标注的dog head，cat head，sheep head等head中学习到可泛化的lion，tiger，panda等head的识别能力。

图片

Many-to-Many的多粒度学习：对于交互式分割中的point输入，Semantic-SAM利用6个prompt去输出多粒度的分割结果，并用包含该点击的所有标注分割来作为监督。这种从多个分割结果到多个分割标注的Many-to-Many的匹配和监督，使得模型能够达到高质量的多粒度分割效果。

图片

3. 实验

3.1 SA-1B 与通用分割数据集的联合训练

我们发现，联合训练 SA-1B 和通用分割数据集可以提高通用分割性能，如对COCO分割和检测效果有大幅提升。

图片

在训练SA-1B数据的过程中，我们也发现了利用少量SA-1B的数据即可得到很好的效果。

图片

3.2 SA-1B 与细粒度分割数据集的联合训练

同样的，联合训练 SA-1B 和细粒度分割数据集可以提高部件分割性能。

图片

4. 可视化

4.1 Semantic-SAM的prompt从大量数据中学到了固定模式的表征

Semantic-SAM一共有6个可学习的prompt。对于不同图片的点击，观察每个prompt对应的分割结果，可以发现每个prompt的分割都会对应一个固定的粒度。这表明每个prompt学到了一个固定的语义级别，输出更加可控。

图片

4.2 Semantic-SAM与SAM, SA-1B Ground-truth 的比较

每行最左边图像上的红点是用户点击的位置，(a)(b) 分别是Semantic-SAM和 SAM 的分割输出， (c) 是包含用户点击的 Groud-truth 分割。与 SAM 相比，Semantic-SAM具有更好的分割质量和更丰富的粒度，方便用户找到自己需要的分割粒度，可控性更好。

图片

以上就是《比Meta「分割一切AI」更全能！港科大版图像分割AI来了：实现更强粒度和语义功能》的详细内容，更多关于模型,分割的资料请关注golang学习网公众号！