今年4月，Meta的AI模型Segment Anything Model（SAM，分割一切模型）發(fā)布,一鍵輕松實(shí)現(xiàn)圖像分割，難怪網(wǎng)友直呼太強(qiáng)。
SAM模型之所以在計(jì)算機(jī)視覺(jué)領(lǐng)域產(chǎn)生重要影響，是因?yàn)閳D像分割是許多任務(wù)中的基礎(chǔ)步驟，比如自動(dòng)駕駛、人臉識(shí)別、車(chē)牌識(shí)別等都有用到。
在這些應(yīng)用過(guò)程中，從目標(biāo)檢測(cè)、分割再到識(shí)別的整個(gè)流程，由算法自動(dòng)完成，無(wú)需人工干預(yù)，而SAM模型正是專(zhuān)攻其中的圖像分割。
雖然SAM是圖像分割的代表性模型，但不可避免存在以下短板：
1.它能夠處理圖片分割，但是不能處理視頻，尤其是不能對(duì)視頻里邊移動(dòng)的物體做連續(xù)追蹤。
2.它能分割，但是并不認(rèn)識(shí)所分割的區(qū)域到底是什么。
3.它存在過(guò)度分割的問(wèn)題，經(jīng)常把一個(gè)完整的物體分割成不同的部分，而人是把目標(biāo)作為整體看待的。
一、SAV模型
現(xiàn)在，云創(chuàng)數(shù)據(jù)（835305.BJ）在SAM和YOLOv8的基礎(chǔ)上，“分割一切”模型的進(jìn)化版——分割一切視頻Segment-Any-Video(SAV)來(lái)了，進(jìn)一步豐富了計(jì)算機(jī)視覺(jué)成果。
圖片SAV模型（圖片來(lái)源:SAV）
作為一種新的圖像、視頻分割方法，SAV可以在圖片或視頻中實(shí)現(xiàn)全自動(dòng)標(biāo)注，一鍵分割物體。
同時(shí)，基于Zero-Shot Transfer（零樣本遷移），SAV無(wú)需額外訓(xùn)練，即使是訓(xùn)練庫(kù)中沒(méi)有的圖片，也可以實(shí)現(xiàn)輕松分割。
與SAM相比，SAV升級(jí)主要表現(xiàn)在以下方面：
1.既可以分割圖片，也可以分割視頻；
2.可以明確目標(biāo)對(duì)象并打標(biāo)簽；
3.可得到語(yǔ)義上完整的目標(biāo)區(qū)域。
圖片SAV與SAM圖像分割對(duì)比結(jié)果（圖片來(lái)源:SAV）
從上圖可以看出，SAV將巴士、小汽車(chē)等分割成一個(gè)個(gè)完整的區(qū)域，而SAM是把這些單個(gè)的物體又分割為不同的區(qū)域。
除了圖片以外，通過(guò)SAV，視頻也可以進(jìn)行清晰的目標(biāo)分割和追蹤。
二、示例
現(xiàn)在，我們?cè)诰W(wǎng)頁(yè)版 demo (http://sav.cstor.cn)上體驗(yàn)一下SAV，可以直觀地感受SAM和SAV兩者的差異。
在首頁(yè)可任意選擇一張示例圖片，也可從本地上傳圖片，然后點(diǎn)擊Segment按鈕，就可以同時(shí)得到SAM和SAV的結(jié)果。
demo首頁(yè)示例圖片（圖片來(lái)源:SAV）
圖片分割結(jié)果：左側(cè)為SAM，右側(cè)為SAV（圖片來(lái)源:SAV）
如果需要觀察某個(gè)實(shí)例的詳細(xì)效果，鼠標(biāo)放置原圖，移動(dòng)鼠標(biāo)即可。
圖片移動(dòng)鼠標(biāo)查看詳細(xì)分割效果（圖片來(lái)源:SAV）
在上圖中，由SAV分割的兩只小狗是完整而獨(dú)立的色塊，并不像左邊分割結(jié)果所展示——小狗耳朵顏色和身體部分顏色不一，不是完整的目標(biāo)對(duì)象。同時(shí)，SAV分割的兩只小狗都打上了“dog”的標(biāo)簽。
需要說(shuō)明的是，本項(xiàng)目只關(guān)注算法自動(dòng)分割的應(yīng)用場(chǎng)景，所以SAV無(wú)需人工輸入點(diǎn)、曲線、矩形框等提示信息。
更多示例如下：
圖片圖片分割結(jié)果對(duì)比（圖片來(lái)源:SAV）
三、原理
如前所述， SAM的自動(dòng)分割不返回標(biāo)簽信息，并且一個(gè)實(shí)例（例如，一輛車(chē)）可能會(huì)被拆分成多個(gè)小區(qū)域。
自動(dòng)分割模式下，SAM不返回標(biāo)簽信息，車(chē)輛被分割成多個(gè)區(qū)域（圖片來(lái)源:SAM）
基于此，研發(fā)團(tuán)隊(duì)在SAM的基礎(chǔ)上加入YOLOv8檢測(cè)模型，YOLOv8返回的結(jié)果中包含目標(biāo)框、類(lèi)別及置信度，目標(biāo)框可作為提示信息輸入到SAM，類(lèi)別名稱(chēng)即為標(biāo)簽，因此SAM加YOLOv8可有效地解決上述問(wèn)題。
該方法同樣可用于視頻分割任務(wù)，與處理單幅圖像不同的是，除了分割，我們通常更關(guān)心目標(biāo)的運(yùn)動(dòng)軌跡、目標(biāo)重識(shí)別，以及如何實(shí)現(xiàn)一鍵摳視頻等。因此研發(fā)團(tuán)隊(duì)在SAM和YOLOv8的基礎(chǔ)上加入跟蹤算法，持續(xù)關(guān)注感興趣的目標(biāo)，這樣比單純地分割每幀圖像更有實(shí)際意義。
考慮到使用了目標(biāo)檢測(cè)模型，在跟蹤方面，研發(fā)團(tuán)隊(duì)選擇Tracking-By-Detection(TBD) 范式的跟蹤方法，例如BoTSORT，而TBD是目前多目標(biāo)跟蹤任務(wù)中特別有效的范式。
圖像分割
使用YOLOv8做前向推理，獲得n個(gè)目標(biāo)框，將這n個(gè)目標(biāo)框作為提示信息輸入到SAM模型并推理，即可完成目標(biāo)框的實(shí)例分割并且得到n個(gè)對(duì)應(yīng)的掩膜，然后對(duì)這n個(gè)掩膜取并集，結(jié)果記為m。
使用YOLOv8做前向推理（圖片來(lái)源:SAV）
然后使用SAM做一次全局自動(dòng)分割，將此時(shí)得到的掩膜圖像記為m2。
使用SAM做全局自動(dòng)分割（圖片來(lái)源:SAV）
由于YOLOv8無(wú)法檢測(cè)到它不能識(shí)別的物體，可以設(shè)置兩個(gè)超參數(shù)來(lái)確定新的物體，即未知區(qū)域與檢測(cè)區(qū)域的交并比r，以及未知區(qū)域的像素個(gè)數(shù)n。具體而言，按面積對(duì)m2中的區(qū)域作降序排序，依次取出其中的區(qū)域，然后分別與m計(jì)算交并比，若交并比r小于0.3且該區(qū)域的像素個(gè)數(shù)n大于100，則認(rèn)為該區(qū)域是一個(gè)新的物體。按照此方法處理m2中的所有區(qū)域，即可完成SAV分割單幅圖像的全部流程。
SAV分割單幅圖像（圖片來(lái)源:SAV）
視頻分割
SAV視頻分割的原理可以簡(jiǎn)單描述為：
1.使用YOLOv8檢測(cè)某幀圖像中的所有目標(biāo)；
2.使用跟蹤算法預(yù)測(cè)后續(xù)幀中的目標(biāo)框；
3.根據(jù)檢測(cè)到的目標(biāo)框與當(dāng)前軌跡集合相關(guān)聯(lián)，獲得每個(gè)目標(biāo)的id；
4.將目標(biāo)矩形框輸入SAM，進(jìn)行實(shí)例分割。
重復(fù)上述1~4步驟，實(shí)現(xiàn)視頻分割。
SAV視頻分割算法框架圖(圖片來(lái)源:SAV)
效果展示
圖像分割對(duì)比(圖片來(lái)源:SAV)
可以看出，SAV能夠很好地解決文章開(kāi)頭提到的SAM存在的問(wèn)題。
四、潛在用途
無(wú)人駕駛。特斯拉無(wú)人駕駛汽車(chē)經(jīng)常會(huì)把樹(shù)樁或者墓碑當(dāng)成行人，這個(gè)對(duì)于無(wú)人駕駛來(lái)說(shuō)是不利的，因?yàn)槿绻请娋€桿子在路邊的話(huà)，我們沒(méi)必要讓無(wú)人駕駛汽車(chē)減速，但如果是一個(gè)行人準(zhǔn)備過(guò)馬路的話(huà)，那么就需要預(yù)先作出處理。SAV可以有效地解決這種問(wèn)題。
無(wú)人機(jī)自主飛行。無(wú)人機(jī)自主飛行在密林中或者建筑物中，需要對(duì)所有的目標(biāo)進(jìn)行識(shí)別，并且做出恰當(dāng)?shù)姆磻?yīng)。SAV將大大提高這種智能水平。
機(jī)器人視覺(jué)。機(jī)器人行走在工廠或者街上的時(shí)候，如果不認(rèn)得障礙物，不認(rèn)得道路，不認(rèn)得其他移動(dòng)的物體，那將寸步難行。SAV將為機(jī)器人裝上智慧的眼睛。
重點(diǎn)區(qū)域防護(hù)。可連續(xù)追蹤和識(shí)別每個(gè)目標(biāo)，結(jié)合其他的算法對(duì)目標(biāo)的身份和行為進(jìn)行識(shí)別。確保重點(diǎn)區(qū)域的的每一個(gè)人，每一輛車(chē)都在管控的范圍內(nèi)。
五、更多
目前，SAV模型已開(kāi)源，并在GitHub正式上線。感興趣的朋友可以點(diǎn)擊【閱讀原文】或者直接前往https://github.com/cStor-cDeep/Segment-Any-Video了解，也歡迎向研發(fā)團(tuán)隊(duì)訂制更高性能的大模型算法，聯(lián)系方式如下：
聯(lián)系人：張先生
郵箱：zhangkun@cstor.cn
手機(jī)：15895885574（微信同號(hào)）
參考文獻(xiàn)
[1] Kirillov A, Mintun E, Ravi N, et al. Segment anything[J]. arXiv preprint arXiv:2304.02643, 2023.
[2] Dillon Reis, Jordan Kupec, et al. Real-Time Flying Object Detection with YOLOv8[J]. arXiv preprint arXiv:2305.09972, 2023.
