今年4月，Meta的AI模型Segment Anything Model（SAM，分割一切模型）發布,一鍵輕松實現圖像分割，難怪網友直呼太強。

 

　　SAM模型之所以在計算機視覺領域產生重要影響，是因為圖像分割是許多任務中的基礎步驟，比如自動駕駛、人臉識別、車牌識別等都有用到。

 

　　在這些應用過程中，從目標檢測、分割再到識別的整個流程，由算法自動完成，無需人工干預，而SAM模型正是專攻其中的圖像分割。

 

　　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，尤其是不能對視頻里邊移動的物體做連續追蹤。

 

　　2.它能分割，但是并不認識所分割的區域到底是什么。

 

　　3.它存在過度分割的問題，經常把一個完整的物體分割成不同的部分，而人是把目標作為整體看待的。

 

　　一、SAV模型

 

　　現在，云創數據（835305.BJ）在SAM和YOLOv8的基礎上，“分割一切”模型的進化版——分割一切視頻Segment-Any-Video(SAV)來了，進一步豐富了計算機視覺成果。

 

圖片SAV模型（圖片來源: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現全自動標注，一鍵分割物體。

 

　　同時，基于Zero-Shot Transfer（零樣本遷移），SAV無需額外訓練，即使是訓練庫中沒有的圖片，也可以實現輕松分割。

 

　　與SAM相比，SAV升級主要表現在以下方面：

 

　　1.既可以分割圖片，也可以分割視頻；

　　2.可以明確目標對象并打標簽；

　　3.可得到語義上完整的目標區域。

 

圖片SAV與SAM圖像分割對比結果（圖片來源:SAV）

 

　　從上圖可以看出，SAV將巴士、小汽車等分割成一個個完整的區域，而SAM是把這些單個的物體又分割為不同的區域。

 

　　除了圖片以外，通過SAV，視頻也可以進行清晰的目標分割和追蹤。

 

　　二、示例

 

　　現在，我們在網頁版 demo (http://sav.cstor.cn)上體驗一下SAV，可以直觀地感受SAM和SAV兩者的差異。

 

　　在首頁可任意選擇一張示例圖片，也可從本地上傳圖片，然后點擊Segment按鈕，就可以同時得到SAM和SAV的結果。

 

demo首頁示例圖片（圖片來源:SAV）

 

圖片分割結果：左側為SAM，右側為SAV（圖片來源:SAV）

 

　　如果需要觀察某個實例的詳細效果，鼠標放置原圖，移動鼠標即可。

 

圖片移動鼠標查看詳細分割效果（圖片來源:SAV）

 

　　在上圖中，由SAV分割的兩只小狗是完整而獨立的色塊，并不像左邊分割結果所展示——小狗耳朵顏色和身體部分顏色不一，不是完整的目標對象。同時，SAV分割的兩只小狗都打上了“dog”的標簽。

 

　　需要說明的是，本項目只關注算法自動分割的應用場景，所以SAV無需人工輸入點、曲線、矩形框等提示信息。

 

　　更多示例如下：

 

 

 

圖片圖片分割結果對比（圖片來源:SAV）

 

　　三、原理

 

　　如前所述， SAM的自動分割不返回標簽信息，并且一個實例（例如，一輛車）可能會被拆分成多個小區域。

 

自動分割模式下，SAM不返回標簽信息，車輛被分割成多個區域（圖片來源:SAM）

 

　　基于此，研發團隊在SAM的基礎上加入YOLOv8檢測模型，YOLOv8返回的結果中包含目標框、類別及置信度，目標框可作為提示信息輸入到SAM，類別名稱即為標簽，因此SAM加YOLOv8可有效地解決上述問題。

 

　　該方法同樣可用于視頻分割任務，與處理單幅圖像不同的是，除了分割，我們通常更關心目標的運動軌跡、目標重識別，以及如何實現一鍵摳視頻等。因此研發團隊在SAM和YOLOv8的基礎上加入跟蹤算法，持續關注感興趣的目標，這樣比單純地分割每幀圖像更有實際意義。

 

　　考慮到使用了目標檢測模型，在跟蹤方面，研發團隊選擇Tracking-By-Detection(TBD) 范式的跟蹤方法，例如BoTSORT，而TBD是目前多目標跟蹤任務中特別有效的范式。

 

　　圖像分割

 

　　使用YOLOv8做前向推理，獲得n個目標框，將這n個目標框作為提示信息輸入到SAM模型并推理，即可完成目標框的實例分割并且得到n個對應的掩膜，然后對這n個掩膜取并集，結果記為m。

 

使用YOLOv8做前向推理（圖片來源:SAV）

 

　　然后使用SAM做一次全局自動分割，將此時得到的掩膜圖像記為m2。

 

使用SAM做全局自動分割（圖片來源:SAV）

 

　　由于YOLOv8無法檢測到它不能識別的物體，可以設置兩個超參數來確定新的物體，即未知區域與檢測區域的交并比r，以及未知區域的像素個數n。具體而言，按面積對m2中的區域作降序排序，依次取出其中的區域，然后分別與m計算交并比，若交并比r小于0.3且該區域的像素個數n大于100，則認為該區域是一個新的物體。按照此方法處理m2中的所有區域，即可完成SAV分割單幅圖像的全部流程。

 

SAV分割單幅圖像（圖片來源:SAV）

 

　　視頻分割

 

　　SAV視頻分割的原理可以簡單描述為：

 

　　1.使用YOLOv8檢測某幀圖像中的所有目標；

　　2.使用跟蹤算法預測后續幀中的目標框；

　　3.根據檢測到的目標框與當前軌跡集合相關聯，獲得每個目標的id；

　　4.將目標矩形框輸入SAM，進行實例分割。

 

　　重復上述1~4步驟，實現視頻分割。

 

SAV視頻分割算法框架圖(圖片來源:SAV)

 

　　效果展示

 

圖像分割對比(圖片來源:SAV)

 

　　可以看出，SAV能夠很好地解決文章開頭提到的SAM存在的問題。

 

　　四、潛在用途

 

　　無人駕駛。特斯拉無人駕駛汽車經常會把樹樁或者墓碑當成行人，這個對于無人駕駛來說是不利的，因為如果是電線桿子在路邊的話，我們沒必要讓無人駕駛汽車減速，但如果是一個行人準備過馬路的話，那么就需要預先作出處理。SAV可以有效地解決這種問題。

 

　　無人機自主飛行。無人機自主飛行在密林中或者建筑物中，需要對所有的目標進行識別，并且做出恰當的反應。SAV將大大提高這種智能水平。

 

　　機器人視覺。機器人行走在工廠或者街上的時候，如果不認得障礙物，不認得道路，不認得其他移動的物體，那將寸步難行。SAV將為機器人裝上智慧的眼睛。

 

　　重點區域防護。可連續追蹤和識別每個目標，結合其他的算法對目標的身份和行為進行識別。確保重點區域的的每一個人，每一輛車都在管控的范圍內。

 

　　五、更多

 

　　目前，SAV模型已開源，并在GitHub正式上線。感興趣的朋友可以點擊【閱讀原文】或者直接前往https://github.com/cStor-cDeep/Segment-Any-Video了解，也歡迎向研發團隊訂制更高性能的大模型算法，聯系方式如下：

 

　　聯系人：張先生

　　郵箱：zhangkun@cstor.cn

　　手機：15895885574（微信同號）

 

　　參考文獻

　　[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.