EfficientSAM 這篇工作以5/5/5滿分收錄于CVPR 2024！作者在某社交媒體上分享了該結(jié)果，如下圖所示：

LeCun 圖靈獎(jiǎng)得主也強(qiáng)烈推薦了該工作！

在近期的研究中，Meta 研究者提出了一種新的改進(jìn)方法，即使用 SAM 的掩碼圖像預(yù)訓(xùn)練 (SAMI)。這一方法結(jié)合了 MAE 預(yù)訓(xùn)練技術(shù)和 SAM 模型，旨在實(shí)現(xiàn)高質(zhì)量的預(yù)訓(xùn)練 ViT 編碼器。通過 SAMI，研究者試圖提高模型的性能和效率，為視覺任務(wù)提供更好的解決方案。這一方法的提出為進(jìn)一步探索和發(fā)展計(jì)算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域帶來了新的思路和機(jī)遇。通過結(jié)合不同的預(yù)訓(xùn)練技術(shù)和模型結(jié)構(gòu)，研究者們不斷

• 論文鏈接：https://arxiv.org/pdf/2312.00863
• 代碼：github.com/yformer/EfficientSAM
• 主頁：https://yformer.github.io/efficient-sam/

這一方法降低了 SAM 的復(fù)雜性，同時(shí)能夠保持良好的性能。具體來說，SAMI 利用 SAM 編碼器 ViT-H 生成特征嵌入，并用輕量級(jí)編碼器訓(xùn)練掩碼圖像模型，從而從 SAM 的 ViT-H 而不是圖像補(bǔ)丁重建特征，產(chǎn)生的通用 ViT 骨干可用于下游任務(wù)，如圖像分類、物體檢測(cè)和分割等。然后，研究者利用 SAM 解碼器對(duì)預(yù)訓(xùn)練的輕量級(jí)編碼器進(jìn)行微調(diào)，以完成任何分割任務(wù)。

為了驗(yàn)證這種方法的有效性，研究人員使用了掩碼圖像預(yù)訓(xùn)練的遷移學(xué)習(xí)設(shè)置。具體來說，他們首先在圖像分辨率為224×224的ImageNet數(shù)據(jù)集上，通過重構(gòu)損失對(duì)模型進(jìn)行了預(yù)訓(xùn)練。隨后，他們利用目標(biāo)任務(wù)的監(jiān)督數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)。這種遷移學(xué)習(xí)方法可以幫助模型在新任務(wù)上快速學(xué)習(xí)并提高性能，因?yàn)槟Ｐ鸵呀?jīng)通過預(yù)訓(xùn)練階段學(xué)會(huì)了從原始數(shù)據(jù)中提取特征。這種遷移學(xué)習(xí)策略有效地利用了在大規(guī)模數(shù)據(jù)集上學(xué)到的知識(shí)，使模型更容易適應(yīng)不同的任務(wù)，同時(shí)

通過 SAMI 預(yù)訓(xùn)練，可以在 ImageNet-1K 上訓(xùn)練 ViT-Tiny/-Small/-Base 等模型，并提高泛化性能。對(duì)于 ViT-Small 模型，研究者在 ImageNet-1K 上進(jìn)行 100 次微調(diào)后，其 Top-1 準(zhǔn)確率達(dá)到 82.7%，優(yōu)于其他最先進(jìn)的圖像預(yù)訓(xùn)練基線。

研究者在目標(biāo)檢測(cè)、實(shí)例分割和語義分割上對(duì)預(yù)訓(xùn)練模型進(jìn)行了微調(diào)。在所有這些任務(wù)中，本文方法都取得了比其他預(yù)訓(xùn)練基線更好的結(jié)果，更重要的是在小模型上獲得了顯著收益。

論文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 參數(shù)減少了 20 倍，但運(yùn)行時(shí)間快了 20 倍，只與原始 SAM 模型的差距在 2 個(gè)百分點(diǎn)以內(nèi)，大大優(yōu)于 MobileSAM/FastSAM。

在 demo 演示中，點(diǎn)擊圖片中的動(dòng)物，EfficientSAM 就能快速將物體進(jìn)行分割：

EfficientSAM 還能準(zhǔn)確標(biāo)定出圖片中的人：

試玩地址：https://ab348ea7942fe2af48.gradio.live/

方法

EfficientSAM 包含兩個(gè)階段：1）在 ImageNet 上對(duì) SAMI 進(jìn)行預(yù)訓(xùn)練（上）；2）在 SA-1B 上微調(diào) SAM（下）。

EfficientSAM 主要包含以下組件：

交叉注意力解碼器：在 SAM 特征的監(jiān)督下，本文觀察到只有掩碼 token 需要通過解碼器重建，而編碼器的輸出可以在重建過程中充當(dāng)錨點(diǎn)（anchors）。在交叉注意力解碼器中，查詢來自于掩碼 token，鍵和值源自編碼器的未掩碼特征和掩碼特征。本文將來自交叉注意力解碼器掩碼 token 的輸出特征和來自編碼器的未掩碼 token 的輸出特征進(jìn)行合并，以進(jìn)行 MAE 輸出嵌入。然后，這些組合特征將被重新排序到最終 MAE 輸出的輸入圖像 token 的原始位置。

線性投影頭。研究者通過編碼器和交叉注意力解碼器獲得的圖像輸出，接下來將這些特征輸入到一個(gè)小型項(xiàng)目頭（project head）中，以對(duì)齊 SAM 圖像編碼器中的特征。為簡(jiǎn)單起見，本文僅使用線性投影頭來解決 SAM 圖像編碼器和 MAE 輸出之間的特征維度不匹配問題。

重建損失。在每次訓(xùn)練迭代中，SAMI 包括來自 SAM 圖像編碼器的前向特征提取以及 MAE 的前向和反向傳播過程。來自 SAM 圖像編碼器和 MAE 線性投影頭的輸出會(huì)進(jìn)行比較，從而計(jì)算重建損失。

經(jīng)過預(yù)訓(xùn)練，編碼器可以對(duì)各種視覺任務(wù)的特征表示進(jìn)行提取，而且解碼器也會(huì)被廢棄。特別是，為了構(gòu)建用于分割任何任務(wù)的高效 SAM 模型，本文采用 SAMI 預(yù)訓(xùn)練的輕量級(jí)編碼器（例如 ViT-Tiny 和 ViT-Small）作為 EfficientSAM 的圖像編碼器和 SAM 的默認(rèn)掩碼解碼器，如圖所示 2（底部）。本文在 SA-1B 數(shù)據(jù)集上對(duì) EfficientSAM 模型進(jìn)行微調(diào)，以實(shí)現(xiàn)分割任何任務(wù)。

實(shí)驗(yàn)

圖像分類。為了評(píng)估本文方法在圖像分類任務(wù)上的有效性，研究者將 SAMI 思想應(yīng)用于 ViT 模型，并比較它們?cè)?ImageNet-1K 上的性能。

如表 1 將 SAMI 與 MAE、iBOT、CAE 和 BEiT 等預(yù)訓(xùn)練方法以及 DeiT 和 SSTA 等蒸餾方法進(jìn)行了比較。

SAMI-B 的 top1 準(zhǔn)確率達(dá)到 84.8%，比預(yù)訓(xùn)練基線、MAE、DMAE、iBOT、CAE 和 BEiT 都高。與 DeiT 和 SSTA 等蒸餾方法相比，SAMI 也顯示出較大的改進(jìn)。對(duì)于 ViT-Tiny 和 ViT-Small 等輕量級(jí)模型，SAMI 結(jié)果與 DeiT、SSTA、DMAE 和 MAE 相比有顯著的增益。

目標(biāo)檢測(cè)和實(shí)例分割。本文還將經(jīng)過 SAMI 預(yù)訓(xùn)練的 ViT 主干擴(kuò)展到下游目標(biāo)檢測(cè)和實(shí)例分割任務(wù)上，并將其與在 COCO 數(shù)據(jù)集上經(jīng)過預(yù)訓(xùn)練的基線進(jìn)行比較。如表 2 所示， SAMI 始終優(yōu)于其他基線的性能。

這些實(shí)驗(yàn)結(jié)果表明，SAMI 在目標(biāo)檢測(cè)和實(shí)例分割任務(wù)中所提供的預(yù)訓(xùn)練檢測(cè)器主干非常有效。

語義分割。本文進(jìn)一步將預(yù)訓(xùn)練主干擴(kuò)展到語義分割任務(wù)，以評(píng)估其有效性。結(jié)果如表 3 所示，使用 SAMI 預(yù)訓(xùn)練主干網(wǎng)的 Mask2former 在 ImageNet-1K 上比使用 MAE 預(yù)訓(xùn)練的主干網(wǎng)實(shí)現(xiàn)了更好的 mIoU。這些實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的技術(shù)可以很好地泛化到各種下游任務(wù)。

表 4 將 EfficientSAMs 與 SAM、MobileSAM 和 SAM-MAE-Ti 進(jìn)行比較。在 COCO 上，EfficientSAM-Ti 的性能優(yōu)于 MobileSAM。EfficientSAM-Ti 具有 SAMI 預(yù)訓(xùn)練權(quán)重，也比 MAE 預(yù)訓(xùn)練權(quán)重表現(xiàn)更好。?

此外， EfficientSAM-S 在 COCO box 僅比 SAM 低 1.5 mIoU，在 LVIS box 上比 SAM 低 3.5 mIoU，參數(shù)減少了 20 倍。本文還發(fā)現(xiàn)，與 MobileSAM 和 SAM-MAE-Ti 相比，EfficientSAM 在多次點(diǎn)擊（multiple click）方面也表現(xiàn)出了良好的性能。

表 5 展示了零樣本實(shí)例分割的 AP、APS、APM 和 APL。研究者將 EfficientSAM 與 MobileSAM 和 FastSAM 進(jìn)行了比較，可以看到，與 FastSAM 相比，EfficientSAM-S 在 COCO 上獲得了超過 6.5 個(gè) AP，在 LVIS 上獲得了 7.8 個(gè) AP。就 EffidientSAM-Ti 而言，仍然遠(yuǎn)遠(yuǎn)優(yōu)于 FastSAM，在 COCO 上為 4.1 個(gè) AP，在 LVIS 上為 5.3 個(gè) AP，而 MobileSAM 在 COCO 上為 3.6 個(gè) AP，在 LVIS 上為 5.5 個(gè) AP。

而且，EfficientSAM 比 FastSAM 輕得多，efficientSAM-Ti 的參數(shù)為 9.8M，而 FastSAM 的參數(shù)為 68M。

圖 3、4、5 提供了一些定性結(jié)果，以便讀者對(duì) EfficientSAMs 的實(shí)例分割能力有一個(gè)補(bǔ)充性了解。

更多研究細(xì)節(jié)，可參考原論文。