殺瘋了！Meta開(kāi)源SAM-2：可商用，隨意分割視頻、圖像
2023年4月5日，Meta首次開(kāi)源了視覺(jué)分割模型SAM，能夠根據(jù)交互和自動(dòng)化兩種方式任意切割視頻、圖像中的所有元素，當(dāng)時(shí)這個(gè)模型被譽(yù)為計(jì)算機(jī)視覺(jué)界的“ChatGPT時(shí)刻”。目前，SAM在Github超過(guò)45000顆星。
今天凌晨，Meta在SAM的基礎(chǔ)之上對(duì)架構(gòu)、功能以及準(zhǔn)確率等進(jìn)行大量更新，正式開(kāi)源了SAM-2，并支持Apache 2.0規(guī)則的商業(yè)化。這也是繼上周Llama 3.1之后，再次開(kāi)源重磅模型。
同時(shí)Meta還分享了SAM-2的訓(xùn)練數(shù)據(jù)集SA-V，包含了51,000真實(shí)世界視頻和超過(guò)600,000個(gè)時(shí)空遮罩，這比其他同類數(shù)據(jù)集大50倍左右，可幫助開(kāi)發(fā)人員構(gòu)建更好的視覺(jué)模型。
SAM-2開(kāi)源地址：https://github.com/facebookresearch/segment-anything-2
在線demo：https://sam2.metademolab.com/
數(shù)據(jù)集地址：https://ai.meta.com/datasets/segment-anything-video/
SAM-2架構(gòu)簡(jiǎn)單介紹
SAM-2基礎(chǔ)架構(gòu)是基于transformer模型并引入了流式記憶機(jī)制，主要由圖像編碼器、記憶編碼器、記憶注意力模塊、提示編碼器和掩模解碼器等模塊組成。
圖像編碼器作為SAM-2處理視頻幀的起點(diǎn)采用了流式處理方法，能夠處理任意長(zhǎng)度的視頻，相比第一代可以使用更少的交互提升3倍效率。它使用的是一個(gè)預(yù)訓(xùn)練的Hiera模型，能夠提供多尺度的特征表示，為后續(xù)的記憶注意力模塊和掩模解碼器提供豐富的上下文信息。
記憶編碼器和記憶注意力模塊是本次SAM-2的重要?jiǎng)?chuàng)新之一。記憶編碼器負(fù)責(zé)將模型先前的預(yù)測(cè)和用戶交互動(dòng)作編碼為記憶，并將這些記憶存儲(chǔ)在記憶庫(kù)中，用于影響后續(xù)幀的分割結(jié)果。
記憶注意力模塊則利用這些記憶來(lái)增強(qiáng)當(dāng)前幀的特征表示，使其能夠更好地捕捉目標(biāo)對(duì)象在時(shí)間序列中的動(dòng)態(tài)變化。
記憶編碼器通過(guò)將預(yù)測(cè)的分割掩模降采樣并與當(dāng)前幀的特征融合，生成記憶特征。隨后通過(guò)一系列輕量級(jí)的卷積層進(jìn)一步處理，以整合信息。記憶庫(kù)則保留了目標(biāo)對(duì)象在視頻中的歷史信息，通過(guò)維護(hù)一個(gè)先進(jìn)先出隊(duì)列來(lái)存儲(chǔ)最近N幀的記憶。
提示編碼器的設(shè)計(jì)遵循了SAM的原則，能夠接受點(diǎn)擊、框選或遮罩等不同類型的提示，以定義給定幀中對(duì)象的范圍。這些稀疏提示通過(guò)位置編碼和學(xué)習(xí)到的嵌入表示進(jìn)行表示，而遮罩則通過(guò)卷積操作進(jìn)行嵌入，并與幀嵌入相加。
掩模解碼器的設(shè)計(jì)在很大程度上遵循了第一代SAM的架構(gòu)，使用了雙向transformer塊，這些塊更新提示和幀嵌入。為了處理可能存在多個(gè)兼容目標(biāo)掩模的模糊提示，SAM-2預(yù)測(cè)每個(gè)幀上的多個(gè)掩模，這對(duì)于確保模型輸出有效掩模至關(guān)重要。
SA – V訓(xùn)練數(shù)據(jù)集
現(xiàn)有的視頻分割數(shù)據(jù)集通常存在一些限制，例如，注釋對(duì)象主要集中在人、車輛和動(dòng)物等特定類別，并且往往只覆蓋整個(gè)對(duì)象而忽略了部分和子部分。
此外，這些數(shù)據(jù)集的規(guī)模相對(duì)較小，無(wú)法滿足訓(xùn)練強(qiáng)大的視頻分割模型的需求。為了解決這些難題，Meta開(kāi)發(fā)了SA – V數(shù)據(jù)集并使用了三大階段。
在第一階段，使用了SAM模型來(lái)輔助人類標(biāo)注。標(biāo)注者的任務(wù)是在視頻的每幀中以每秒6幀的速度使用SAM和像素精確的手動(dòng)編輯工具來(lái)標(biāo)注目標(biāo)對(duì)象的掩碼。
由于這是一種逐幀的方法，所有幀都需要從頭開(kāi)始標(biāo)注掩碼，因此流程非常緩慢，平均標(biāo)注時(shí)間為每幀37.8秒。但這種方法能夠產(chǎn)生高質(zhì)量的空間標(biāo)注，在這個(gè)階段，共收集了16000個(gè)掩碼片段，涵蓋了1400個(gè)視頻。
第二階段，引入了SAM 2 Mask，它只接受掩碼作為提示。標(biāo)注者首先使用SAM和其他工具在第一幀中生成空間掩碼，然后使用SAM 2 Mask將標(biāo)注的掩碼在時(shí)間上傳播到其他幀，以獲得完整的時(shí)空掩碼片段。
通過(guò)這個(gè)階段的工作，收集了635,000個(gè)掩碼片段，標(biāo)注時(shí)間下降到每幀7.4秒，相比第一階段有了顯著的提高，速度提升了約5.1倍。
第三階段，使用了完全功能的SAM-2，它能夠接受各種類型的提示，包括點(diǎn)和掩碼。與前兩個(gè)階段不同，SAM-2受益于對(duì)象在時(shí)間維度上的記憶來(lái)生成掩碼預(yù)測(cè)。
這意味著標(biāo)注者只需要偶爾對(duì)SAM 2提供的預(yù)測(cè)掩碼進(jìn)行細(xì)化點(diǎn)擊，就能夠在中間幀中編輯預(yù)測(cè)的掩碼片段，而不需要像在第一階段那樣從頭開(kāi)始標(biāo)注。通過(guò)多次重新訓(xùn)練和更新SAM-2，標(biāo)注時(shí)間進(jìn)一步下降到每幀4.5秒，相比第一階段速度提升了約8.4倍。
所以，SA – V在開(kāi)發(fā)SAM-2過(guò)程中發(fā)揮了重要作用，也是目前最大視覺(jué)分割訓(xùn)練數(shù)據(jù)集之一。
本文轉(zhuǎn)自 AIGC開(kāi)放社區(qū) ，作者：AIGC開(kāi)放社區(qū)
