大模型论文阅读系列2-SAM：Segment Anything_sam segment anything model

系列文章目录

大模型论文阅读系列-GLM: General Language Model Pretraining with Autoregressive Blank Infilling

---

---

前言

论文地址：ICCV2023

Segment Anything，分割一切，Meta团队2023年引起巨大反响的工作，将预训练语言模型的思想与架构引入视觉领域。

---

一、摘要与简介

论文入目能看到的这张图简单的概括了 What is SAM:任务，模型以及数据。其中任务部分最重要的是，如何将分割设计成像NLP一样的能通过使用prompt进行的任务。

摘要：介绍本文的贡献，建立了至今最大的分割数据集（果然大模型时代，data is all you need.），数据集包含超过十亿个掩码。模型通过设计能进行zero-shot任务，代码在GitHub上已开源：SAM代码。

介绍：主要讲预训练大模型对NLP领域的重要性，并回顾大模型目前在视觉领域的探索：CLIP在多模态任务中的作用，以及DALLE在图像生成中的影响。受此影响，本文的目的是设计一个能通过prompt进行操作的模型，解决下游各种分割任务。为此，需要一个多样化的大规模数据源，并需要一个支持灵活提示的模型，能够实时输出分割掩码以支持交互式使用。

SAM设计

任务：提出可提示的分割任务，其目标是给定任何分割提示返回有效的分割掩码，提示可以是点，目标框，掩码或文字信息。要求是当prompt指向不明确，即可能对应多个对象时，输出至少应该是这些可能对象之一。
模型：通过图像编码器计算图像嵌入，提示编码器计算prompt对应embedding，以及一个轻量mask解码器将两种信息进行融合，实现分割掩码的预测。可以重复使用相同的图像嵌入与不同的提示，实现成本分摊。对应任务要求，SAM模型设计为单个提示预测多个掩码。
数据工程与数据集：与语言任务能简单的在线获取数据不同，SAM的解决方案是构建一种数据工程，与模型在循环中实现数据集注释。工程包括三部分：辅助手动，半自动以及全自动。在第一阶段，SAM协助标注者标注掩码。在第二阶段，SAM可以通过提示可能的对象位置自动生成一部分对象的掩码，标注者标注剩余的对象，帮助增加掩码的多样性。在最后阶段，我们用规则网格的前景点提示SAM，平均每张图片产生约100个高质量掩码。最终数据集SA-1B包含超过10亿个掩码，1100万张图像。

文章中展示的图像即使包括大于500个mask，也有不错的表现。

二、Segment Anything Task

灵感来源于NLP模型中预测下一个token的预训练任务。任务前边讲过了，这里写下预训练以及zero-shot。
预训练：模拟了每个训练样本的一系列提示（例如，点、边框、掩模），并将模型的掩模预测与真实标签进行比较。交互式分割是在用户输入足够多的mask之后预测最终mask，本任务是需要始终预测。
zero-shot transfer:理论上通过适当的prompt设计能够实现下游任务。例如，目标检测结果可以作为模型的prompt输入。

三、Segment Anything Model

模型如前所述，主要包括三个部分：图像编码器（绿色部分），提示编码器（粉色）以及掩码解码器（橙色）。模型建立在视觉transformer基础上。图像编码器使用的是预训练ViT。提示编码器使用CLIP处理文本，位置编码处理点和框，掩膜提示使用卷积嵌入。掩码解码器使用transformer的decoder块的修改版本等，最后通过MLP将token映射到动态线性分类器，并计算概率。
此外为了解决提示具有的模糊与歧义，发现设计输出三个掩码能解决绝大部分问题。

四、Segment Anything Data Engine

主要包括之前说的三个阶段：

**辅助手动标注阶段：**专业标注员使用基于浏览器的交互式分割工具手动标注掩模，这个工具由SAM模型支持。标注过程中，标注员可以使用精确的“画笔”和“橡皮擦”工具进行微调。这个阶段没有对标注对象施加语义限制，标注员自由地标注了“物体”和“事物”。初始时，SAM使用公共分割数据集进行训练，后来仅使用新标注的掩模进行再训练，模型经过多次（6次）迭代更新。

**半自动阶段：**目的是增加掩模的多样性，提高模型的分割能力。首先自动检测高置信度掩模，然后要求标注员补充未标注的物体。通过这种方式，收集了更多多样性的掩模，总共获得了约1020万个掩模。

**全自动阶段：**最后阶段完全自动化。使用一个规则网格对模型进行提示，为每个点预测可能对应的有效掩模集。利用模型的IoU预测模块选择置信掩模，并通过非最大抑制（NMS）过滤重复掩模。最终，通过这种全自动方法，在整个数据集的1100万张图片上生成了11亿个高质量掩模。

五、讨论与总结

（实验结果部分我没写）

SAM在总体上表现良好，但可能会错过细小结构，或虚构出微小部分（大概是大模型幻觉）。虽然SAM能执行许多任务，如何设计简单的提示实现语义和全景分割仍不明确。