比Meta的「分割一切模型」(SAM)更快的圖像分割工具，來了！

最近中科院團隊開源了FastSAM模型，能以50倍的速度達到與原始SAM相同的效果，并實現25FPS的實時推理。

該成果在Github已經獲得2.4K+次星標，在Twitter、PaperswithCode等平臺也受到了廣泛關注。

相關論文預印本現已發表。

以下內容由投稿者提供

視覺基礎模型 SAM[1]在許多計算機視覺任務中產?了重?影響。它已經成為圖像分割、圖像描述和圖像編輯等任務的基礎。

然?，其巨?的計算成本阻礙了它在實際場景中的?泛應?。

最近，中科院?動化所提出并開源了?種加速替代?案 FastSAM。

通過將分割?切任務重新劃分為全實例分割和提?指導選擇兩個?任務，?帶實例分割分?的常規 CNN 檢測器以?出50倍的運?速度實現了與SAM?法相當的性能，是?個實時分割?切的基礎模型。

意義與動機

SAM 的出現帶動了 “分割?切”（Segment Anything）任務的發展。這?任務由于其泛化性和可擴展性，有很?可能成為未來?泛視覺任務的基礎。

FastSAM 為該任務提供了?套實時解決?案，進?步推動了分割?切模型的實際應?和發展。

本?將“分割?切”任務解耦為全實例分割和提?引導選擇兩階段，通過引???先驗結構，在提速 50 倍的情況下實現了與 SAM 相近的表現。

FastSAM 的優秀表現為視覺任務的架構選擇提供了新的視角——對于特定任務，專用模型結構或許在計算效率和精確度上仍具有優勢。

從模型壓縮的?度看，FastSAM 也證明了基于大模型產生高質量數據，通過引???先驗結構大幅降低計算復雜度的路徑的可?性。

示例

Web DEMO

在 HuggingFace 的 Space 中，你可以快速體驗 FastSAM 的分割效果。

你可以上傳一張自定義的圖片，選擇模式并設置參數，點擊分割按鈕，就可以得到一個滿意的分割結果。

現在支持一切模式和點模式的交互，其他模式將在未來嘗試支持。在 Replicate 上已支持所有模式的在線體驗。

多種交互?式

FastSAM目前共支持三種交互方式。

多點交互模式

FastSAM ?持多個帶有前景/背景標簽的點交互模式，可以很好地適應不同場景的應?需求。

以缺陷檢測場景為例，只需對缺陷部位添加前景點，對正常藥丸部分添加背景點，即可準確地檢測出物體缺陷。

框交互模式

FastSAM 也?持框交互模式。也以缺陷檢測為例，只需對缺陷?致位置進?框選，即可準確檢測出物體缺陷。

?本交互模式

FastSAM 也?持并開源了?本交互模式。通過不同的?本提示，FastSAM可以準確分割出不同顏?的?狗。

工作原理

如下圖所示，FastSAM 的網絡架構可分為兩個階段：全實例分割和提示引導選擇。

在全實例分割階段，FastSAM 使用卷積神經網絡來對圖像中的所有對象或區域進行劃分。

在提示引導選擇階段，它采用包括點提示、框提示和文本提示的各種提示來選出關注對象。

與基于Transformer的方法不同，FastSAM融合了與視覺分割任務緊密相關的先驗知識，例如局部連接和對象分配策略。這使得它以更低地參數量和計算量下更快地收斂。

定性與定量分析

測試結果表明，FastSAM各方面的表現完全不輸于Meta的原始版本。

速度

從表中可以看出，FastSAM 取得了遠超 SAM 的速度表現，在「分割?切」模式下，SAM的速度會受到均勻點提?數量的影響，? FastSAM 由于結構的特點，運?時間不隨點提?數量的增加?增加，這使得它成為「分割?切」模式的更好選擇。

同時，由于 FastSAM 在結構設計中利?了?的先驗知識，使得它在實時推理的同時也具備了與 SAM 相當的性能。

邊緣檢測

下圖展?了具有代表性的邊緣檢測結果。經過定性觀察可以看出，盡管FastSAM的參數明顯較少（只有68M），但它也能產?很?質量的邊緣檢測結果。

從下表可以看出，FastSAM 取得了與 SAM 類似的性能。與 Ground Truth 相?，FastSAM和 SAM 都傾向于預測更多的邊緣，這種偏差在表中得到了定量的反映。

物體候選

從下表可以看出，FastSAM 在 bbox AR@1000 的表現上超過了計算量最?的 SAM 模型（SAM-H E64），僅次于在 LVIS 數據集上監督訓練的 ViTDet-H[2]。

可視化結果

SA-1B 分割結果：下圖展?了 FastSAM 在 SA-1B 數據集上不同場景和掩碼數量時的分割結果。

下游應?對?：下?三張圖對?了 FastSAM 和 SAM 在異常檢測、顯著物體分割和建筑物提取三個下游任務的效果，FastSAM 在不同模式下均取得了和 SAM 相當的表現。

參考?獻
[1] Kirillov A, Mintun E, Ravi N, et al. Segment anything[J]. arXiv preprint arXiv:2304.02643, 2023.
[2] Li J, Yang T, Ji W, et al. Exploring denoised cross-video contrast for weakly-supervised temporal action localization[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 19914-19924.

論文地址：https://arxiv.org/abs/2306.12156

GitHub項目頁：https://github.com/CASIA-IVA-Lab/FastSAM

HuggingFace DEMO：https://huggingface.co/spaces/An-619/FastSAM

Replicate demo：https://replicate.com/casia-iva-lab/fastsam