對于 2023 年的計算機視覺領(lǐng)域來說，「分割一切」（Segment Anything Model）是備受關(guān)注的一項研究進展。

Meta四月份發(fā)布的「分割一切模型（SAM）」效果，它能很好地自動分割圖像中的所有內(nèi)容

Segment Anything 的關(guān)鍵特征是基于提示的視覺 Transformer（ViT）模型，該模型是在一個包含來自 1100 萬張圖像的超過 10 億個掩碼的視覺數(shù)據(jù)集 SA-1B 上訓(xùn)練的，可以分割給定圖像上的任何目標。這種能力使得 SAM 成為視覺領(lǐng)域的基礎(chǔ)模型，并在超出視覺之外的領(lǐng)域也能產(chǎn)生應(yīng)用價值。

盡管有上述優(yōu)點，但由于 SAM 中的 ViT-H 圖像編碼器有 632M 個參數(shù)（基于提示的解碼器只需要 387M 個參數(shù)），因此實際使用 SAM 執(zhí)行任何分割任務(wù)的計算和內(nèi)存成本都很高，這對實時應(yīng)用來說具有挑戰(zhàn)性。后續(xù)，研究者們也提出了一些改進策略：將默認 ViT-H 圖像編碼器中的知識提煉到一個微小的 ViT 圖像編碼器中，或者使用基于 CNN 的實時架構(gòu)降低用于 Segment Anything 任務(wù)的計算成本。

在最近的一項研究中，Meta 研究者提出了另外一種改進思路 —— 利用 SAM 的掩碼圖像預(yù)訓(xùn)練 (SAMI)。這是通過利用 MAE 預(yù)訓(xùn)練方法和 SAM 模型實現(xiàn)的，以獲得高質(zhì)量的預(yù)訓(xùn)練 ViT 編碼器。

• 論文鏈接：https://arxiv.org/pdf/2312.00863.pdf
• 論文主頁：https://yformer.github.io/efficient-sam/

這一方法降低了 SAM 的復(fù)雜性，同時能夠保持良好的性能。具體來說，SAMI 利用 SAM 編碼器 ViT-H 生成特征嵌入，并用輕量級編碼器訓(xùn)練掩碼圖像模型，從而從 SAM 的 ViT-H 而不是圖像補丁重建特征，產(chǎn)生的通用 ViT 骨干可用于下游任務(wù)，如圖像分類、物體檢測和分割等。然后，研究者利用 SAM 解碼器對預(yù)訓(xùn)練的輕量級編碼器進行微調(diào)，以完成任何分割任務(wù)。

為了評估該方法，研究者采用了掩碼圖像預(yù)訓(xùn)練的遷移學(xué)習(xí)設(shè)置，即首先在圖像分辨率為 224 × 224 的 ImageNet 上使用重構(gòu)損失對模型進行預(yù)訓(xùn)練，然后使用監(jiān)督數(shù)據(jù)在目標任務(wù)上對模型進行微調(diào)。

通過 SAMI 預(yù)訓(xùn)練，可以在 ImageNet-1K 上訓(xùn)練 ViT-Tiny/-Small/-Base 等模型，并提高泛化性能。對于 ViT-Small 模型，研究者在 ImageNet-1K 上進行 100 次微調(diào)后，其 Top-1 準確率達到 82.7%，優(yōu)于其他最先進的圖像預(yù)訓(xùn)練基線。

研究者在目標檢測、實例分割和語義分割上對預(yù)訓(xùn)練模型進行了微調(diào)。在所有這些任務(wù)中，本文方法都取得了比其他預(yù)訓(xùn)練基線更好的結(jié)果，更重要的是在小模型上獲得了顯著收益。

論文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 參數(shù)減少了 20 倍，但運行時間快了 20 倍，只與原始 SAM 模型的差距在 2 個百分點以內(nèi)，大大優(yōu)于 MobileSAM/FastSAM。

在 demo 演示中，點擊圖片中的動物，EfficientSAM 就能快速將物體進行分割：

EfficientSAM 還能準確標定出圖片中的人：

試玩地址：https://ab348ea7942fe2af48.gradio.live/

方法

EfficientSAM 包含兩個階段：1）在 ImageNet 上對 SAMI 進行預(yù)訓(xùn)練（上）；2）在 SA-1B 上微調(diào) SAM（下）。

EfficientSAM 主要包含以下組件：

交叉注意力解碼器：在 SAM 特征的監(jiān)督下，本文觀察到只有掩碼 token 需要通過解碼器重建，而編碼器的輸出可以在重建過程中充當錨點（anchors）。在交叉注意力解碼器中，查詢來自于掩碼 token，鍵和值源自編碼器的未掩碼特征和掩碼特征。本文將來自交叉注意力解碼器掩碼 token 的輸出特征和來自編碼器的未掩碼 token 的輸出特征進行合并，以進行 MAE 輸出嵌入。然后，這些組合特征將被重新排序到最終 MAE 輸出的輸入圖像 token 的原始位置。

線性投影頭。研究者通過編碼器和交叉注意力解碼器獲得的圖像輸出，接下來將這些特征輸入到一個小型項目頭（project head）中，以對齊 SAM 圖像編碼器中的特征。為簡單起見，本文僅使用線性投影頭來解決 SAM 圖像編碼器和 MAE 輸出之間的特征維度不匹配問題。

重建損失。在每次訓(xùn)練迭代中，SAMI 包括來自 SAM 圖像編碼器的前向特征提取以及 MAE 的前向和反向傳播過程。來自 SAM 圖像編碼器和 MAE 線性投影頭的輸出會進行比較，從而計算重建損失。

經(jīng)過預(yù)訓(xùn)練，編碼器可以對各種視覺任務(wù)的特征表示進行提取，而且解碼器也會被廢棄。特別是，為了構(gòu)建用于分割任何任務(wù)的高效 SAM 模型，本文采用 SAMI 預(yù)訓(xùn)練的輕量級編碼器（例如 ViT-Tiny 和 ViT-Small）作為 EfficientSAM 的圖像編碼器和 SAM 的默認掩碼解碼器，如圖所示 2（底部）。本文在 SA-1B 數(shù)據(jù)集上對 EfficientSAM 模型進行微調(diào)，以實現(xiàn)分割任何任務(wù)。

實驗

圖像分類。為了評估本文方法在圖像分類任務(wù)上的有效性，研究者將 SAMI 思想應(yīng)用于 ViT 模型，并比較它們在 ImageNet-1K 上的性能。

如表 1 將 SAMI 與 MAE、iBOT、CAE 和 BEiT 等預(yù)訓(xùn)練方法以及 DeiT 和 SSTA 等蒸餾方法進行了比較。

SAMI-B 的 top1 準確率達到 84.8%，比預(yù)訓(xùn)練基線、MAE、DMAE、iBOT、CAE 和 BEiT 都高。與 DeiT 和 SSTA 等蒸餾方法相比，SAMI 也顯示出較大的改進。對于 ViT-Tiny 和 ViT-Small 等輕量級模型，SAMI 結(jié)果與 DeiT、SSTA、DMAE 和 MAE 相比有顯著的增益。

目標檢測和實例分割。本文還將經(jīng)過 SAMI 預(yù)訓(xùn)練的 ViT 主干擴展到下游目標檢測和實例分割任務(wù)上，并將其與在 COCO 數(shù)據(jù)集上經(jīng)過預(yù)訓(xùn)練的基線進行比較。如表 2 所示， SAMI 始終優(yōu)于其他基線的性能。

這些實驗結(jié)果表明，SAMI 在目標檢測和實例分割任務(wù)中所提供的預(yù)訓(xùn)練檢測器主干非常有效。

語義分割。本文進一步將預(yù)訓(xùn)練主干擴展到語義分割任務(wù)，以評估其有效性。結(jié)果如表 3 所示，使用 SAMI 預(yù)訓(xùn)練主干網(wǎng)的 Mask2former 在 ImageNet-1K 上比使用 MAE 預(yù)訓(xùn)練的主干網(wǎng)實現(xiàn)了更好的 mIoU。這些實驗結(jié)果驗證了本文提出的技術(shù)可以很好地泛化到各種下游任務(wù)。

表 4 將 EfficientSAMs 與 SAM、MobileSAM 和 SAM-MAE-Ti 進行比較。在 COCO 上，EfficientSAM-Ti 的性能優(yōu)于 MobileSAM。EfficientSAM-Ti 具有 SAMI 預(yù)訓(xùn)練權(quán)重，也比 MAE 預(yù)訓(xùn)練權(quán)重表現(xiàn)更好。 

此外， EfficientSAM-S 在 COCO box 僅比 SAM 低 1.5 mIoU，在 LVIS box 上比 SAM 低 3.5 mIoU，參數(shù)減少了 20 倍。本文還發(fā)現(xiàn)，與 MobileSAM 和 SAM-MAE-Ti 相比，EfficientSAM 在多次點擊（multiple click）方面也表現(xiàn)出了良好的性能。

表 5 展示了零樣本實例分割的 AP、APS、APM 和 APL。研究者將 EfficientSAM 與 MobileSAM 和 FastSAM 進行了比較，可以看到，與 FastSAM 相比，EfficientSAM-S 在 COCO 上獲得了超過 6.5 個 AP，在 LVIS 上獲得了 7.8 個 AP。就 EffidientSAM-Ti 而言，仍然遠遠優(yōu)于 FastSAM，在 COCO 上為 4.1 個 AP，在 LVIS 上為 5.3 個 AP，而 MobileSAM 在 COCO 上為 3.6 個 AP，在 LVIS 上為 5.5 個 AP。

而且，EfficientSAM 比 FastSAM 輕得多，efficientSAM-Ti 的參數(shù)為 9.8M，而 FastSAM 的參數(shù)為 68M。

圖 3、4、5 提供了一些定性結(jié)果，以便讀者對 EfficientSAMs 的實例分割能力有一個補充性了解。

更多研究細節(jié)，可參考原論文。