今天小編分享的科學經驗：比Meta「分割一切AI」更全能！港科大版影像分割AI來了：實現更強粒度和語義功能，歡迎閲讀。
比 Meta" 分割一切 " 的 SAM 更全能的影像分割 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标籤
粒度豐富：模型能夠分割從物體到部件的不同粒度級别的實體
用作者自己的話説：
Semantic-SAM，在多個粒度 ( granularity ) 上分割 ( segment ) 和識别 ( recognize ) 物體的通用影像分割模型。
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 上定義的互動分割任務 ( 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部門。
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 具有多粒度語義的互動式分割
Multi-Granularity Image Editing 多粒度影像編輯
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 能夠產生用户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户友好的互動式分割。
語義感知性。Semantic-SAM 使用帶有語義标記的數據集和 SA-1B 數據集聯合訓練模型，以學習物體 ( object ) 級别和細粒度 ( part ) 級别的語義信息。
多功能。Semantic-SAM 實現了高質量的全景，語義，實例，細粒度分割和互動式分割，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，更可控地匹配用户意圖，不用擔心滑鼠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互動式分割。通用分割的實現與 Mask DINO 相同。互動式分割包括 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，用户的 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 類别。
2.2 訓練
為了學到物體級别 ( object ) 和部件級别 ( 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 ) ，物體級别數據集 ( 如 COCO ) ，以及部件級别數據集 ( 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 标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，我們期望模型從有标注的 dog head，cat head，sheep head 等 head 中學習到可泛化的 lion，tiger，panda 等 head 的識别能力。
Many-to-Many 的多粒度學習：對于互動式分割中的 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标注分割來作為監督。這種從多個分割結果到多個分割标注的 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。
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。
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。
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。
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别，輸出更加可控。
4.2 Semantic-SAM 與 SAM, SA-1B Ground-truth 的比較
每行最左邊影像上的紅點是用户點擊的位置， ( a ) ( b ) 分别是 Semantic-SAM 和 SAM 的分割輸出， ( c ) 是包含用户點擊的 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，方便用户找到自己需要的分割粒度，可控性更好。
