搜尋
首頁科技週邊人工智慧華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

本月初,Meta 發布「分割一切」AI 模型 ——Segment Anything Model(SAM)。 SAM 被認為是通用的影像分割基礎模型,它學會了關於物體的一般概念,可以為任何影像或影片中的任何物體產生 mask,包括在訓練過程中沒有遇到的物體和影像類型。這種「零樣本遷移」的能力令人驚嘆,甚至有人稱 CV 領域迎來了「GPT-3 時刻」。

最近,一篇「一次分割一切」的新論文《Segment Everything Everywhere All at Once》再次引起關注。在論文中,來自威斯康辛大學麥迪遜分校、微軟、香港科技大學的幾位華人研究者提出了一種基於 prompt 的新型互動模型 SEEM。 SEEM 能夠根據使用者給予的各種模態的輸入(包括文字、圖像、塗鴉等等),一次分割圖像或影片中的所有內容,並識別出物件類別。該專案已經開源,並提供了試玩地址供大家體驗。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

論文連結:https://arxiv.org/pdf/2304.06718.pdf

#專案連結:https://github.com/UX-Decoder/Segment-Everything-Everywhere-All-At-Once

#試用網址:https://huggingface.co/spaces/xdecoder/SEEM

該研究透過全面的實驗驗證了SEEM 在各種分割任務上的有效性。即使 SEEM 不具有了解使用者意圖的能力,但它表現出強大的泛化能力,因為它學會了在統一的表徵空間中編寫不同類型的 prompt。此外,SEEM 可以透過輕量級的 prompt 解碼器有效地處理多輪互動。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

先來看看分割效果:

在變形金剛的合照中把「擎天柱」分割出來:

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

也能對一類物件分割,例如在一張景觀圖片中分割出所有建築物:

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

SEEM 也能輕鬆分割影片中移動的物件:

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

這個分割效果可以說是非常絲滑了。我們來看看該研究提出的方法。

方法概述

該研究旨在提出一個通用接口,以藉助多模態 prompt 進行影像分割。為了實現這一目標,他們提出了一個包含4 個屬性的新方案,包括多功能性(versatility)、組合性(compositionality)、互動性(interactivity)和語義感知能力(semantic-awareness),具體包括

1)多功能性研究提出將點、遮罩、文字、偵測框(box)甚至是另一個影像的參考區域(referred region)這些異質的元素,編碼成同一個聯合視覺語意空間中的prompt。

2)組合性透過學習視覺和文字 prompt 的聯合視覺語義空間來即時編寫查詢以進行推理。 SEEM 可以處理輸入 prompt 的任意組合。

3)互動性:研究引入了透過結合可學習的記憶(memory) prompt,並透過遮罩指導的交叉注意力保留對話歷史資訊。

4)語意知覺能力:使用文字編碼器對文字查詢和遮罩標籤進行編碼,從而為所有輸出分割結果提供了開放集語意。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

架構方面,SEEM 遵循一個簡單的Transformer 編碼器- 解碼器架構,並額外添加了一個文字編碼器。在 SEEM 中,解碼過程類似於生成式 LLM,但具有多模態輸入和多模態輸出。所有查詢都作為 prompt 反饋到解碼器,圖像和文字編碼器用作 prompt 編碼器來編碼所有類型的查詢。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

具體來說,研究將所有查詢(如點、框和遮罩)編碼為視覺prompt,同時使用文字編碼器將文字查詢轉換為文字prompt,這樣視覺和文字prompt 就能保持對齊。 5 種不同類型的 prompt 都能都映射到聯合視覺語義空間中,透過零樣本適應來處理未見過的使用者 prompt。透過對不同的分割任務進行訓練,模型具有處理各種 prompt 的能力。此外,不同類型的 prompt 可以藉助交叉注意力互相輔助。最終,SEEM 模型可以使用各種 prompt 來獲得卓越的分割結果。

除了強大的泛化能力,SEEM 在運作方面也很有效率。研究人員將 prompt 作為解碼器的輸入,因此在與人類進行多輪互動時,SEEM 只需要在最開始運行一次特徵提取器。在每次迭代中,只需要使用新的 prompt 再次運行輕量級的解碼器。因此,在部署模型時,參數量大運行負擔重的特徵提取器可以在伺服器上運行,而在用戶的機器上僅運行相對輕量級的解碼器,以緩解多次遠端呼叫中的網路延遲問題。

如上圖 3(b)所示,在多輪互動中,每次互動包含一個人工循環和一個模型循環。在人工循環中,人們接收上一次迭代的遮罩輸出,並透過視覺 prompt 給予下一輪解碼的正回饋或負回饋。在模型循環中,模型接收並更新記憶 prompt 以供未來的預測。

實驗結果

該研究將 SEEM 模型與 SOTA 互動式分割模型進行了實驗比較,結果如下表 1 所示。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

作為通用模型,SEEM 實作了與RITM,SimpleClick 等模型相當的效能,並且與SAM 的效能非常接近,而SAM 用於訓練的分割資料是SEEM 的50 倍之多。

與現有的互動式模型不同,SEEM 是第一個不僅支援經典分割任務,還支援各種使用者輸入類型的通用接口,包括文字、點、塗鴉、框和圖像,提供強大的組合功能。如下表 2 所示,透過添加可組合的 prompt,SEEM 在 cIoU,mIoU 等指標上有了顯著的分割效能提升。

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

我們再來看看互動式影像分割的視覺化結果。使用者只需要畫出一個點或簡單塗鴉,SEEM 就能提供非常好的分割結果

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

#也可以輸入文本,讓SEEM 進行圖像分割

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

#

也能直接輸入參考影像並指出參考區域,對其他影像進行分割,找出與參考區域一致的物件:

華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度

該專案已經可以線上試玩,有興趣的讀者快去試試吧。

以上是華人團隊打造的通用分割模型SEEM,將一次性分割推向新高度的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述
本文轉載於:51CTO.COM。如有侵權,請聯絡admin@php.cn刪除
人工智能治療師在這裡:您需要了解的14個開創性的心理健康工具人工智能治療師在這裡:您需要了解的14個開創性的心理健康工具Apr 30, 2025 am 11:17 AM

儘管它無法提供訓練有素的治療師的人類聯繫和直覺,但研究表明,許多人很樂意與相對無面和匿名的AI機器人分享他們的擔憂和擔憂。 這是否總是好我

叫AI到雜貨店過道叫AI到雜貨店過道Apr 30, 2025 am 11:16 AM

人工智能(AI)是一種技術數十年的技術,正在徹底改變食品零售業。 從大規模的效率提高和成本降低到精簡的各種業務功能的流程,AI的影響是Undeniabl

從生成的AI中進行佩普談話來提升您的精神從生成的AI中進行佩普談話來提升您的精神Apr 30, 2025 am 11:15 AM

讓我們來談談。 對創新的AI突破的分析是我正在進行的AI中正在進行的《福布斯》列覆蓋範圍的一部分,包括識別和解釋各種有影響力的AI複雜性(請參閱此處的鏈接)。此外,對於我的comp

為什麼AI驅動的超個性化是所有企業必須的為什麼AI驅動的超個性化是所有企業必須的Apr 30, 2025 am 11:14 AM

保持專業形象需要偶爾的衣櫃更新。 在線購物方便時,它缺乏面對面嘗試的確定性。 我的解決方案? AI驅動的個性化。 我設想AI助手策劃服裝Selecti

忘記Duolingo:Google Translate的新AI功能教授語言忘記Duolingo:Google Translate的新AI功能教授語言Apr 30, 2025 am 11:13 AM

谷歌翻譯新增語言學習功能 據Android Authority報導,應用專家AssembleDebug發現,最新版本的谷歌翻譯應用包含一個新的“練習”模式的測試代碼,旨在幫助用戶通過個性化活動來提高他們的語言技能。此功能目前對用戶不可見,但AssembleDebug能夠部分激活它並查看其一些新的用戶界面元素。 激活後,該功能會在屏幕底部添加一個新的“畢業帽”圖標,標有“Beta”徽章,表明“練習”功能最初將以實驗形式發布。 相關的彈出提示顯示“練習為你量身定制的活動!”,這意味著谷歌將生成定制的

他們正在為AI製作TCP/IP,這就是Nanda他們正在為AI製作TCP/IP,這就是NandaApr 30, 2025 am 11:12 AM

麻省理工學院的研究人員正在開發Nanda,這是為AI代理設計的開創性的Web協議。 Nanda的縮寫是網絡代理和分散的AI,通過添加Internet功能,使AI Agen能夠構建人類的模型上下文協議(MCP)。

提示:DeepFake檢測是一項蓬勃發展的業務提示:DeepFake檢測是一項蓬勃發展的業務Apr 30, 2025 am 11:11 AM

Meta的最新冒險:與Chatgpt競爭的AI應用程序 Facebook,Instagram,WhatsApp和Threads的母公司Meta正在啟動新的AI功能應用程序。 這個獨立的應用程序Meta AI旨在直接與Openai的Chatgpt競爭。 槓桿

接下來的兩年在AI網絡安全方面為業務領導者接下來的兩年在AI網絡安全方面為業務領導者Apr 30, 2025 am 11:10 AM

導航AI網絡攻擊的上升潮流 最近,CISO的傑森·克林頓(Jason Clinton)擬人化,強調了與非人類身份相關的新興風險 - 作為機器對機器的通信增殖,維護這些“身份”

See all articles

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

Video Face Swap

Video Face Swap

使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱工具

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

PhpStorm Mac 版本

PhpStorm Mac 版本

最新(2018.2.1 )專業的PHP整合開發工具

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

強大的PHP整合開發環境

mPDF

mPDF

mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),

EditPlus 中文破解版

EditPlus 中文破解版

體積小,語法高亮,不支援程式碼提示功能