我们提出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。和SAM相比，我们的模型有两个优点：
(1) 语义感知，即模型能够给分割出的实体提供语义标签。
(2) 粒度丰富，即模型能够分割从物体到部件的不同粒度级别的实体。
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。
论文链接：
https://arxiv.org/abs/2307.04767
代码链接：
https://github.com/UX-Decoder/Semantic-SAM
在线Demo地址：上述代码仓库的首页
一、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～
二、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。
三、实验
3.1 SA-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。
3.2 SA-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。
四、可视化
4.1 Semantic-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。
4.2 Semantic-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。
五、 总结
我们提出了Semantic-SAM，在多个粒度上分割和识别物体的通用图像分割模型。这是在 SA-1B数据集、通用分割数据集和部件分割数据集上联合训练模型的首次尝试，实现了语义感知性和粒度丰富性。未来，我们期待在本文的基础上引入更多的视觉文本(vision-text)数据集，推动通用多模态模型的发展。
作者：孙培泽
快抢沙发！
