比Meta「分割一切AI」更全能！港科大版圖像分割AI來了：實現更強粒度和語義功能
本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。
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。
據我們所知，我們的工作是在 SA-1B數據集、通用分割數據集(COCO等)和部件分割數據集(PASCAL Part等)上聯合訓練模型的首次嘗試，并系統研究了在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SAM
SAM是Semantic-SAM的子任務。我們開源了復現SAM效果的代碼，這是開源社區第一份基于DETR結構的SAM復現代碼。
1.2 超越SAM
- 粒度豐富性: Semantic-SAM能夠產生用戶點擊所需的所有可能分割粒度（1-6）的高質量實體分割，從而實現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據集和SA-1B數據集聯合訓練模型，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 實現了高質量的全景，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 模型結構
Semantic-SAM的模型結構基于Mask DINO進行開發。Mask DINO是基于DETR框架的統一檢測和分割的網絡，目前仍然是相同模型size下的SOTA模型。Semantic-SAM的模型結構主要改進在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，實現方式與通用分割相同，而point到mask的匹配是Semantic-SAM的關鍵設計。
在Semantic-SAM中，用戶的point輸入被轉換成6個prompt, 每個prompt包含一個可學習的level embedding進行區分。這6個prompt通過decoder產生6個不同粒度的分割結果，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同時從多個數據集中進行學習，如多粒度數據集(SA-1B)，物體級別數據集(如COCO)，以及部件級別數據集(如Pascal Part)。
為了從聯合數據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標注的數據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果，并用包含該點擊的所有標注分割來作為監督。這種從多個分割結果到多個分割標注的Many-to-Many的匹配和監督，使得模型能夠達到高質量的多粒度分割效果。
圖片
3. 實驗
3.1 SA-1B 與通用分割數據集的聯合訓練
我們發現，聯合訓練 SA-1B 和通用分割數據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。
圖片
在訓練SA-1B數據的過程中，我們也發現了利用少量SA-1B的數據即可得到很好的效果。
圖片
3.2 SA-1B 與細粒度分割數據集的聯合訓練
同樣的，聯合訓練 SA-1B 和細粒度分割數據集可以提高部件分割性能。
圖片
4. 可視化
4.1 Semantic-SAM的prompt從大量數據中學到了固定模式的表征
Semantic-SAM一共有6個可學習的prompt。對于不同圖片的點擊，觀察每個prompt對應的分割結果，可以發現每個prompt的分割都會對應一個固定的粒度。這表明每個prompt學到了一個固定的語義級別，輸出更加可控。
圖片
4.2 Semantic-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。
圖片
