比 Meta 的「分割一切模型」 ( SAM ) 更快的图像分割工具，来了！
(资料图片)
最近中科院团队开源了 FastSAM 模型，能以50 倍的速度达到与原始 SAM 相同的效果，并实现 25FPS 的实时推理。
该成果在 Github 已经获得 2.4K+ 次星标，在 Twitter、PaperswithCode 等平台也受到了广泛关注。
相关论文预印本现已发表。以下内容由投稿者提供
视觉基础模型 SAM [ 1 ] 在许多计算机视觉任务中产了重影响。它已经成为图像分割、图像描述和图像编辑等任务的基础。然，其巨的计算成本阻碍了它在实际场景中的泛应。
最近，中科院动化所提出并开源了种加速替代案 FastSAM。
通过将分割切任务重新划分为全实例分割和提指导选择两个任务，带实例分割分的常规 CNN 检测器以出 50 倍的运速度实现了与 SAM 法相当的性能，是个实时分割切的基础模型。
意义与动机SAM 的出现带动了 " 分割切 "（Segment Anything）任务的发展。这任务由于其泛化性和可扩展性，有很可能成为未来泛视觉任务的基础。
FastSAM 为该任务提供了套实时解决案，进步推动了分割切模型的实际应和发展。
本将 " 分割切 " 任务解耦为全实例分割和提引导选择两阶段，通过引先验结构，在提速 50 倍的情况下实现了与 SAM 相近的表现。
FastSAM 的优秀表现为视觉任务的架构选择提供了新的视角——对于特定任务，专用模型结构或许在计算效率和精确度上仍具有优势。
从模型压缩的度看，FastSAM 也证明了基于大模型产生高质量数据，通过引先验结构大幅降低计算复杂度的路径的可性。
示例 Web DEMO
在 HuggingFace 的 Space 中，你可以快速体验 FastSAM 的分割效果。
你可以上传一张自定义的图片，选择模式并设置参数，点击分割按钮，就可以得到一个满意的分割结果。
现在支持一切模式和点模式的交互，其他模式将在未来尝试支持。在 Replicate 上已支持所有模式的在线体验。
多种交互式FastSAM 目前共支持三种交互方式。
多点交互模式FastSAM 持多个带有前景 / 背景标签的点交互模式，可以很好地适应不同场景的应需求。
以缺陷检测场景为例，只需对缺陷部位添加前景点，对正常药丸部分添加背景点，即可准确地检测出物体缺陷。
框交互模式FastSAM 也持框交互模式。也以缺陷检测为例，只需对缺陷致位置进框选，即可准确检测出物体缺陷。
本交互模式FastSAM 也持并开源了本交互模式。通过不同的本提示，FastSAM 可以准确分割出不同颜的狗。
工作原理如下图所示，FastSAM 的网络架构可分为两个阶段：全实例分割和提示引导选择。
在全实例分割阶段，FastSAM 使用卷积神经网络来对图像中的所有对象或区域进行划分。在提示引导选择阶段，它采用包括点提示、框提示和文本提示的各种提示来选出关注对象。
与基于 Transformer 的方法不同，FastSAM 融合了与视觉分割任务紧密相关的先验知识，例如局部连接和对象分配策略。这使得它以更低地参数量和计算量下更快地收敛。
定性与定量分析
测试结果表明，FastSAM 各方面的表现完全不输于 Meta 的原始版本。
速度
从表中可以看出，FastSAM 取得了远超 SAM 的速度表现，在「分割切」模式下，SAM 的速度会受到均匀点提数量的影响， FastSAM 由于结构的特点，运时间不随点提数量的增加增加，这使得它成为「分割切」模式的更好选择。
同时，由于 FastSAM 在结构设计中利了的先验知识，使得它在实时推理的同时也具备了与 SAM 相当的性能。边缘检测
下图展了具有代表性的边缘检测结果。经过定性观察可以看出，尽管 FastSAM 的参数明显较少（只有 68M），但它也能产很质量的边缘检测结果。
从下表可以看出，FastSAM 取得了与 SAM 类似的性能。与 Ground Truth 相，FastSAM 和 SAM 都倾向于预测更多的边缘，这种偏差在表中得到了定量的反映。物体候选从下表可以看出，FastSAM 在 bbox AR@1000 的表现上超过了计算量最的 SAM 模型（SAM-H E64），仅次于在 LVIS 数据集上监督训练的 ViTDet-H [ 2 ] 。
可视化结果SA-1B 分割结果：下图展了 FastSAM 在 SA-1B 数据集上不同场景和掩码数量时的分割结果。
下游应对：下三张图对了 FastSAM 和 SAM 在异常检测、显著物体分割和建筑物提取三个下游任务的效果，FastSAM 在不同模式下均取得了和 SAM 相当的表现。参考献[ 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.
论文地址：
https://arxiv.org/abs/2306.12156
GitHub 项目页：
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
标签：
营业执照公示信息