比Meta「分割一切AI」更全能！港科大版图像分割AI来了：实现更强粒度和语义功能

比Meta“分割一切”的SAM更全能的图像分割AI，来了!

模型名为Semantic-SAM，顾名思义，在完全复现SAM分割效果的基础上，这个AI还具有两大特点:

语义感知:模型能够给分割出的实体提供语义标签

粒度丰富:模型能够分割从物体到部件的不同粒度级别的实体

用作者自己的话说:

Semantic-SAM，在多个粒度（granularity）上分割(segment)和识别(recognize)物体的通用图像分割模型。

据我们所知，我们的工作是在 SA-1B数据集、通用分割数据集（COCO等）和部件分割数据集(PASCAL Part等)上联合训练模型的首次尝试，并系统研究了在SA-1B 上定义的交互分割任务(promptable segmentation)和其他分割任务(例如，全景分割和部件分割)上多任务联合训练的相互促进作用。

论文来自香港科技大学、微软研究院、IDEA研究院、香港大学、威斯康星大学麦迪逊分校和清华大学等研究单位。

具体详情，一起来看~

论文地址:https://arxiv.org/abs/2307.04767

代码地址:https://github.com/UX-Decoder/Semantic-SAM

在线Demo地址:上述代码仓库的首页

（以下为论文作者投稿）

简介

Semantic-SAM可以完全复现SAM的分割效果并达到更好的粒度和语义功能，是一个强大的vision foundation model。Semantic-SAM 支持广泛的分割任务及其相关应用，包括:

Generic Segmentation 通用分割（全景/语义/实例分割）

Part Segmentation 细粒度分割

Interactive Segmentation with Multi-Granularity Semantics 具有多粒度语义的交互式分割

Multi-Granularity Image Editing 多粒度图像编辑

1.1复现SAM

SAM是Semantic-SAM的子任务。我们开源了复现SAM效果的代码，这是开源社区第一份基于DETR结构的SAM复现代码。

1.2超越SAM

粒度丰富性: Semantic-SAM能够产生用户点击所需的所有可能分割粒度（1-6）的高质量实体分割，从而实现更加可控和用户友好的交互式分割。

语义感知性。Semantic-SAM使用带有语义标记的数据集和SA-1B数据集联合训练模型，以学习物体（object）级别和细粒度(part)级别的语义信息。

多功能。Semantic-SAM 实现了高质量的全景，语义，实例，细粒度分割和交互式分割，验证了SA-1B 和其他分割任务的相互促进作用。

只需单击一下即可输出多达6个粒度分割!与 SAM 相比，更可控地匹配用户意图，不用担心鼠标移动很久也找不到想要的分割了～

2. 模型介绍

2.1模型结构

Semantic-SAM的模型结构基于Mask DINO进行开发。Mask DINO是基于DETR框架的统一检测和分割的网络，目前仍然是相同模型size下的SOTA模型。Semantic-SAM的模型结构主要改进在decoder部分，同时支持通用分割和交互式分割。通用分割的实现与Mask DINO相同。交互式分割包括point和box两种形式，其中box到mask不存在匹配的ambiguity，实现方式与通用分割相同，而point到mask的匹配是Semantic-SAM的关键设计。

在Semantic-SAM中，用户的point输入被转换成6个prompt， 每个prompt包含一个可学习的level embedding进行区分。这6个prompt通过decoder产生6个不同粒度的分割结果，以及object和part类别。

2.2训练

为了学到物体级别（object）和部件级别(part)的语义，Semantic-SAM同时从多个数据集中进行学习，如多粒度数据集(SA-1B)，物体级别数据集(如COCO)，以及部件级别数据集(如Pascal Part)。

为了从联合数据集中学习语义感知性和粒度丰富性，我们引入以下两种训练方法:

解耦物体分类与部件分类的语义学习:为了学习到可泛化的物体和部件语义，我们采用解耦的物体分类和部件分类，以使得只有object标注的数据也可以学习到一些通用的part语义。例如，head是在几乎所有动物上都通用的part，我们期望模型从有标注的dog head，cat head，sheep head等head中学习到可泛化的lion，tiger，panda等head的识别能力。

Many-to-Many的多粒度学习:对于交互式分割中的point输入，Semantic-SAM利用6个prompt去输出多粒度的分割结果，并用包含该点击的所有标注分割来作为监督。这种从多个分割结果到多个分割标注的Many-to-Many的匹配和监督，使得模型能够达到高质量的多粒度分割效果。

3. 实验

3.1SA-1B 与通用分割数据集的联合训练

我们发现，联合训练 SA-1B 和通用分割数据集可以提高通用分割性能，如对COCO分割和检测效果有大幅提升。

在训练SA-1B数据的过程中，我们也发现了利用少量SA-1B的数据即可得到很好的效果。

3.2SA-1B 与细粒度分割数据集的联合训练

同样的，联合训练 SA-1B 和细粒度分割数据集可以提高部件分割性能。

4. 可视化

4.1Semantic-SAM的prompt从大量数据中学到了固定模式的表征

Semantic-SAM一共有6个可学习的prompt。对于不同图片的点击，观察每个prompt对应的分割结果，可以发现每个prompt的分割都会对应一个固定的粒度。这表明每个prompt学到了一个固定的语义级别，输出更加可控。

4.2Semantic-SAM与SAM， SA-1B Ground-truth 的比较

每行最左边图像上的红点是用户点击的位置，（a）(b) 分别是Semantic-SAM和 SAM 的分割输出， (c) 是包含用户点击的 Groud-truth 分割。与 SAM 相比，Semantic-SAM具有更好的分割质量和更丰富的粒度，方便用户找到自己需要的分割粒度，可控性更好。

—完—