比Meta「分割一切AI」更全能！港科大版圖像分割AI來了：實現(xiàn)更強粒度和語義功能

作者：Semantic-SAM團隊 2023-07-17 13:14:45

人工智能新聞

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。

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

比Meta“分割一切”的SAM更全能的圖像分割AI，來了！

模型名為Semantic-SAM，顧名思義，在完全復現(xiàn)SAM分割效果的基礎上，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

圖片

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(promptable segmentation)和其他分割任務(例如，全景分割和部件分割)上多任務聯(lián)合訓練的相互促進作用。

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

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)

1.簡介

Semantic-SAM可以完全復現(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及其相關(guān)應用，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

圖片

1.1 復現(xiàn)SAM

SAM是Semantic-SAM的子任務。我們開源了復現(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)合訓練模型，以學習物體(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，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包含一個可學習的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。

圖片

2.2 訓練

為了學到物體級別(object)和部件級別(part)的語義，Semantic-SAM同時從多個數(shù)據(jù)集中進行學習，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)集中學習語義感知性和粒度豐富性，我們引入以下兩種訓練方法：

解耦物體分類與部件分類的語義學習：為了學習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)也可以學習到一些通用的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中學習到可泛化的lion，tiger，panda等head的識別能力。

圖片

Many-to-Many的多粒度學習：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。

圖片