聲明:本文來自于微信公眾號 量子位（ID:QbitAI），Semantic-SAM團隊投稿，授權(quán)站長之家轉(zhuǎn)載發(fā)布。

比Meta“分割一切”的SAM更全能的圖像分割A(yù)I，來了!

模型名為Semantic-SAM，顧名思義，在完全復(fù)現(xiàn)SAM分割效果的基礎(chǔ)上，這個AI還具有兩大特點:

• 語義感知:模型能夠給分割出的實體提供語義標簽

• 粒度豐富:模型能夠分割從物體到部件的不同粒度級別的實體

用作者自己的話說:

Semantic-SAM，在多個粒度（granularity）上分割(segment)和識別(recognize)物體的通用圖像分割模型。

據(jù)我們所知，我們的工作是在 SA-1B數(shù)據(jù)集、通用分割數(shù)據(jù)集（COCO等）和部件分割數(shù)據(jù)集(PASCAL Part等)上聯(lián)合訓(xùn)練模型的首次嘗試，并系統(tǒng)研究了在SA-1B 上定義的交互分割任務(wù)(promptable segmentation)和其他分割任務(wù)(例如，全景分割和部件分割)上多任務(wù)聯(lián)合訓(xùn)練的相互促進作用。

論文來自香港科技大學(xué)、微軟研究院、IDEA研究院、香港大學(xué)、威斯康星大學(xué)麥迪遜分校和清華大學(xué)等研究單位。

具體詳情，一起來看~

• 論文地址:https://arxiv.org/abs/2307.04767

• 代碼地址:https://github.com/UX-Decoder/Semantic-SAM

• 在線Demo地址:上述代碼倉庫的首頁

（以下為論文作者投稿）

簡介

Semantic-SAM可以完全復(fù)現(xiàn)SAM的分割效果并達到更好的粒度和語義功能，是一個強大的vision foundation model。Semantic-SAM 支持廣泛的分割任務(wù)及其相關(guān)應(yīng)用，包括:

• Generic Segmentation 通用分割（全景/語義/實例分割）

• Part Segmentation 細粒度分割

• Interactive Segmentation with Multi-Granularity Semantics 具有多粒度語義的交互式分割

• Multi-Granularity Image Editing 多粒度圖像編輯

1.1復(fù)現(xiàn)SAM

SAM是Semantic-SAM的子任務(wù)。我們開源了復(fù)現(xiàn)SAM效果的代碼，這是開源社區(qū)第一份基于DETR結(jié)構(gòu)的SAM復(fù)現(xiàn)代碼。

1.2超越SAM

• 粒度豐富性: Semantic-SAM能夠產(chǎn)生用戶點擊所需的所有可能分割粒度（1-6）的高質(zhì)量實體分割，從而實現(xiàn)更加可控和用戶友好的交互式分割。

• 語義感知性。Semantic-SAM使用帶有語義標記的數(shù)據(jù)集和SA-1B數(shù)據(jù)集聯(lián)合訓(xùn)練模型，以學(xué)習(xí)物體（object）級別和細粒度(part)級別的語義信息。

• 多功能。Semantic-SAM 實現(xiàn)了高質(zhì)量的全景，語義，實例，細粒度分割和交互式分割，驗證了SA-1B 和其他分割任務(wù)的相互促進作用。

只需單擊一下即可輸出多達6個粒度分割!與 SAM 相比，更可控地匹配用戶意圖，不用擔(dān)心鼠標移動很久也找不到想要的分割了～

2. 模型介紹

2.1模型結(jié)構(gòu)

Semantic-SAM的模型結(jié)構(gòu)基于Mask DINO進行開發(fā)。Mask DINO是基于DETR框架的統(tǒng)一檢測和分割的網(wǎng)絡(luò)，目前仍然是相同模型size下的SOTA模型。Semantic-SAM的模型結(jié)構(gòu)主要改進在decoder部分，同時支持通用分割和交互式分割。通用分割的實現(xiàn)與Mask DINO相同。交互式分割包括point和box兩種形式，其中box到mask不存在匹配的ambiguity，實現(xiàn)方式與通用分割相同，而point到mask的匹配是Semantic-SAM的關(guān)鍵設(shè)計。

在Semantic-SAM中，用戶的point輸入被轉(zhuǎn)換成6個prompt， 每個prompt包含一個可學(xué)習(xí)的level embedding進行區(qū)分。這6個prompt通過decoder產(chǎn)生6個不同粒度的分割結(jié)果，以及object和part類別。

2.2訓(xùn)練

為了學(xué)到物體級別（object）和部件級別(part)的語義，Semantic-SAM同時從多個數(shù)據(jù)集中進行學(xué)習(xí)，如多粒度數(shù)據(jù)集(SA-1B)，物體級別數(shù)據(jù)集(如COCO)，以及部件級別數(shù)據(jù)集(如Pascal Part)。

為了從聯(lián)合數(shù)據(jù)集中學(xué)習(xí)語義感知性和粒度豐富性，我們引入以下兩種訓(xùn)練方法:

解耦物體分類與部件分類的語義學(xué)習(xí):為了學(xué)習(xí)到可泛化的物體和部件語義，我們采用解耦的物體分類和部件分類，以使得只有object標注的數(shù)據(jù)也可以學(xué)習(xí)到一些通用的part語義。例如，head是在幾乎所有動物上都通用的part，我們期望模型從有標注的dog head，cat head，sheep head等head中學(xué)習(xí)到可泛化的lion，tiger，panda等head的識別能力。

Many-to-Many的多粒度學(xué)習(xí):對于交互式分割中的point輸入，Semantic-SAM利用6個prompt去輸出多粒度的分割結(jié)果，并用包含該點擊的所有標注分割來作為監(jiān)督。這種從多個分割結(jié)果到多個分割標注的Many-to-Many的匹配和監(jiān)督，使得模型能夠達到高質(zhì)量的多粒度分割效果。

3. 實驗

3.1SA-1B 與通用分割數(shù)據(jù)集的聯(lián)合訓(xùn)練

我們發(fā)現(xiàn)，聯(lián)合訓(xùn)練 SA-1B 和通用分割數(shù)據(jù)集可以提高通用分割性能，如對COCO分割和檢測效果有大幅提升。

在訓(xùn)練SA-1B數(shù)據(jù)的過程中，我們也發(fā)現(xiàn)了利用少量SA-1B的數(shù)據(jù)即可得到很好的效果。

3.2SA-1B 與細粒度分割數(shù)據(jù)集的聯(lián)合訓(xùn)練

同樣的，聯(lián)合訓(xùn)練 SA-1B 和細粒度分割數(shù)據(jù)集可以提高部件分割性能。

4. 可視化

4.1Semantic-SAM的prompt從大量數(shù)據(jù)中學(xué)到了固定模式的表征

Semantic-SAM一共有6個可學(xué)習(xí)的prompt。對于不同圖片的點擊，觀察每個prompt對應(yīng)的分割結(jié)果，可以發(fā)現(xiàn)每個prompt的分割都會對應(yīng)一個固定的粒度。這表明每個prompt學(xué)到了一個固定的語義級別，輸出更加可控。

4.2Semantic-SAM與SAM， SA-1B Ground-truth 的比較

每行最左邊圖像上的紅點是用戶點擊的位置，（a）(b) 分別是Semantic-SAM和 SAM 的分割輸出， (c) 是包含用戶點擊的 Groud-truth 分割。與 SAM 相比，Semantic-SAM具有更好的分割質(zhì)量和更豐富的粒度，方便用戶找到自己需要的分割粒度，可控性更好。

—完—