通過單擊、交互式點擊即可分割圖像或視頻

英偉達 AI 科學(xué)家 Jim Fan 在 Twitter 上驚呼，Meta 發(fā)布的 SAM 讓計算機視覺（CV）迎來 GPT-3 時刻。更不可思議的是，模型和數(shù)據(jù)（1100萬張圖像，10億個掩碼）都已經(jīng)基于 Apache 2.0 許可開源。

今日，Meta 發(fā)布首個可“任意圖像分割”的基礎(chǔ)模型 Segment-Anything Model（SAM）和最大規(guī)模的“任意分割 10 億掩碼數(shù)據(jù)集「Segment Anything 1-Billion mask dataset (SA-1B)」，將自然語言領(lǐng)域的 prompt 范式引入了 CV 領(lǐng)域，進而為 CV 基礎(chǔ)模型提供更廣泛的支持與深度研究。

SAM Demo：https://segment-anything.com/

開源地址：https://github.com/facebookresearch/segment-anything

論文地址：https://ai.facebook.com/research/publications/segment-anything/

SA-1B數(shù)據(jù)集：https://ai.facebook.com/datasets/segment-anything/

1. 圖片、視頻皆可分割

分割，作為 CV 領(lǐng)域的核心任務(wù)，被廣泛應(yīng)用在科學(xué)圖像到編輯照片等應(yīng)用程序員中，但是，為特定任務(wù)創(chuàng)建準確的分割模型通常需要技術(shù)專家進行高度專業(yè)化的工作，并且需要訪問 AI 培訓(xùn)基礎(chǔ)設(shè)施和大量精心注釋領(lǐng)域內(nèi)方面的數(shù)據(jù)能力。

SAM 通過 prompt 工程能力即可分割任意想分割的圖像。

截圖自SAM論文

SAM 已經(jīng)學(xué)會了物體的一般概念，并且可以為任何圖像或視頻中的任何對象生成掩模，甚至包括在訓(xùn)練期間沒有遇到過的對象和圖像類型。

SAM 足夠通用，可以涵蓋廣泛的用例，并且可以直接在新的圖像“領(lǐng)域”上使用——無論是水下照片還是細胞顯微鏡——都不需要額外的訓(xùn)練（這種能力通常稱為零樣本遷移）。

之前，為了解決分割問題，一般會采用兩種分類方法：

第一種是交互式分割，可以對任何類別的對象進行分割，但需要人員通過迭代地細化掩模來指導(dǎo)該方法。

第二種是自動分割，允許預(yù)先定義特定對象類別（例如貓或椅子）的分割，但需要大量手動注釋的對象進行訓(xùn)練（例如數(shù)千甚至數(shù)萬個已經(jīng)過分割處理的貓示例），以及計算資源和技術(shù)專業(yè)知識來訓(xùn)練分割模型。這兩種方法都沒有提供通用、完全自動化的分割方法。

SAM 集合了上面兩種方法，成為一個單一模型，可以輕松執(zhí)行交互式分割和自動分割。

1、SAM 允許用戶通過單擊、交互式點擊或邊界框提示來分割對象；

2、當面臨關(guān)于正在分割的對象歧義時，SAM可以輸出多個有效掩碼，這是解決現(xiàn)實世界中分割問題所必需的重要能力；

3、SAM可以自動查找并遮罩圖像中的所有對象；

4、在預(yù)計算圖像嵌入后，SAM 可以為任何提示生成實時分割掩碼，從而允許與模型進行實時交互。

SAM 在超過 10億個掩碼組成的多樣化高質(zhì)量數(shù)據(jù)集上進行訓(xùn)練（作為該項目的一部分），從而使其能夠推廣到訓(xùn)練期間未觀察到的新類型對象和圖像之外。這種推廣能力意味著，總體來說，從業(yè)者將不再需要收集自己的分割數(shù)據(jù)并微調(diào)用于他們用例場景中的模型。

2. SAM 背后的技術(shù)

Meta AI 團隊在官博中直言到，SAM 的研發(fā)靈感來自于自然語言和計算機視覺中的 “prompt 工程”，只需對新數(shù)據(jù)集和任務(wù)執(zhí)行零樣本學(xué)習(xí)和少樣本學(xué)習(xí)即可使其能夠基于任何提示返回有效的分割掩模。其中，提示可以是前景/背景點、粗略框或掩模、自由文本或者一般情況下指示圖像中需要進行分割的任何信息。有效掩模的要求意味著即使提示不明確并且可能涉及多個對象（例如，在襯衫上的一個點既可能表示襯衫也可能表示穿著它的人），輸出應(yīng)該是其中一個對象合理的掩模。這項任務(wù)用于預(yù)訓(xùn)練模型，并通過提示解決通用下游分割任務(wù)。

研發(fā)人員觀察到預(yù)訓(xùn)練任務(wù)和交互式數(shù)據(jù)收集對模型設(shè)計施加了特定的限制。特別是，為了使標注員能夠在實時交互中高效地進行標注，模型需要在 Web 瀏覽器上以實時方式運行于 CPU 上。雖然運行時間約束意味著質(zhì)量和運行時間之間存在權(quán)衡，但他們發(fā)現(xiàn)，簡單的設(shè)計在實踐中產(chǎn)生良好的結(jié)果。

在模型設(shè)計中，圖像編碼器為圖像生成一次性嵌入，而輕量級編碼器實時將任何提示轉(zhuǎn)換為嵌入向量。然后，在輕量級解碼器中將這兩個信息源組合起來以預(yù)測分割掩模。計算出圖像嵌入后，SAM 可以在 Web 瀏覽器中僅用 50 毫秒的時間根據(jù)任何提示生成一個段落。

在 Web 瀏覽器中，SAM 高效地將圖像特征和一組提示嵌入映射到生成分割掩模。

3. 超 1100 萬張照片，1B+掩碼

數(shù)據(jù)集來自 SAM 收集，而在訓(xùn)練起初，并無任何數(shù)據(jù)，而今天發(fā)布的數(shù)據(jù)集已是迄今為止最大的數(shù)據(jù)了。注釋員使用 SAM 交互式地注釋圖像，然后新注釋的數(shù)據(jù)反過來用于更新 SAM，彼此相互作用，重復(fù)執(zhí)行此循環(huán)來改善模型和數(shù)據(jù)集。

使用 SAM 收集新分割掩碼比以往任何時候都更快，僅需約 14 秒即可交互式地注釋掩碼。相對于標記邊界框所需時間約 7 秒鐘（使用最快速度標記接口），每個掩碼標記流程只慢 2 倍左右。與之前大規(guī)模分割數(shù)據(jù)收集努力相比，該模型比 COCO 完全手動基于多邊形遮罩注釋快 6.5 倍，比先前最大的數(shù)據(jù)注釋工作快了 2 倍，并且是基于模型協(xié)助完成任務(wù) 。

盡管如此，交互式的標記掩碼依然無法擴展創(chuàng)建 10 億個掩碼數(shù)據(jù)庫，于是便有了用于創(chuàng)建 SA-1B 數(shù)據(jù)庫的“引擎”。該引擎有三個“檔位”。

在第一檔中，模型協(xié)助注釋員，相互作用；

第二檔是完全自動化的注釋與輔助注釋相結(jié)合，有助于增加收集到的掩碼的多樣性；

數(shù)據(jù)引擎的最后一個檔位是完全自動遮罩創(chuàng)建，進而使數(shù)據(jù)庫可以擴展。

最終，數(shù)據(jù)集在超過 1100 萬張經(jīng)過許可和隱私保護的圖像上收集到了超過 11 億個分割掩模。SA-1B 比任何現(xiàn)有的分割數(shù)據(jù)集多 400 倍，經(jīng)人類評估驗證，這些掩模具有高質(zhì)量和多樣性，在某些情況下甚至可以與以前規(guī)模小得多、完全手動注釋的數(shù)據(jù)集中的掩模相媲美。

Segment Anything 是通過使用數(shù)據(jù)引擎收集數(shù)百萬張圖像和掩模進行訓(xùn)練，從而得到一個超 10 億個分割掩模的數(shù)據(jù)集，這比以往任何分割數(shù)據(jù)集都大400倍。

將來，SAM 可能被用于任何需要在圖像中找到和分割任何對象的領(lǐng)域應(yīng)用程序。

對于 AI 研究社區(qū)或其他人來說，SAM 可能更普遍理解世界、例如理解網(wǎng)頁視覺和文本內(nèi)容等更大型 AI 系統(tǒng)中組件；

在 AR/VR 領(lǐng)域，SAM 可以根據(jù)用戶注視選擇一個對象，然后將其“提升”到 3D；

對于內(nèi)容創(chuàng)作者來說，SAM 可以改進諸如提取碎片或視頻編輯等創(chuàng)意應(yīng)用程序；

SAM 也可用來輔助科學(xué)領(lǐng)域研究，如地球上甚至空間自然現(xiàn)象, 例如通過定位要研究并跟蹤視頻中的動物或物體。

最后，SAM 團隊表示，通過分享他們的研究和數(shù)據(jù)集，來進一步加速分割更常見的圖像和視頻?？商崾臼椒指钅Ｐ涂梢宰鳛檩^大系統(tǒng)中的組件執(zhí)行分割任務(wù)。未來，通過組合系統(tǒng)可擴展單個模型使用，通過提示工程等技術(shù)實現(xiàn)可組合系統(tǒng)設(shè)計，進而使得比專門針對固定任務(wù)集訓(xùn)練的系統(tǒng)能夠得更廣泛的領(lǐng)域應(yīng)用。

審核編輯 ：李倩