目录
总体介绍
总体流程
本方案用到了三个步骤，按顺序依次为：
- 基于语义的目标检测（使用grounding dino）
- 在检测到的范围内进行目标分割生成mask（使用segment anything）
- 图片绘制（使用stable diffusion）
模块介绍
目标检测： grounding dino
总体架构图
从图中可以看出，本算法本质上是对图像和文本进行多模态融合，将二者映射到同一个向量空间并使用attention的思路进行匹配从而得到文本对应的图像。
模型中使用Swin Transformer作为image backbone，BERT作为text backbone，使用cross-transformer进行多模态融合。
从上面流程可以更深入地理解attention中qkv含义，即可以将attention视为一种软寻址。在网上看到过一个简单易懂的解释：
attention 机制里主要有三个向量 – key, query 和 value，其实可以将 Attention 机制看作一种软寻址（Soft Addressing）:Source 可以看作一个中药铺子的储物箱，储物箱里的药品由地址 Key（药品名）和值 Value（药品）组成，当前有个 Key=Query（药方）的查询，目的是取出储物箱里对应的 Value 值（药品），即 Attention 数值。通过 Query 和储物箱内元素 Key 的地址进行相似性比较来寻址，之所以说是软寻址，指的是我们不只从储物箱里面找出一中药物，而是可能从每个 Key 地址都会取出内容，取出内容的重要性（量的多少）根据 Query 和 Key 的相似性来决定，之后对 Value 进行加权求和，这样就可以取出最终的 Value 值（一副中药），也即 Attention 值。所以不少研究人员将 Attention 机制看作软寻址的一种特例
目标分割：Segment Anything Model (SAM)
整体思路
模型的目的是构建一个用于图像分割的基础模型，即寻求开发一个可提示的（promptable）模型并将其进行预训练，预训练的数据集通过一个有强大泛化能力的任务来生成。使用这个模型就可以寻求解决在使用prompt工程生成的新数据分布上的一系列下游分割问题。
本计划能否成功主要和三个部分相关：任务（task）、模型（model）、数据（data）。为了研究这些部分，需要解决以下三个问题：
- 什么样的任务可以零样本泛化？
定义一个可提示的分割任务，可以针对任何分割提示（prompt）返回有效的分割掩码。本任务有两个作用，一是作为预训练目标，二是通过prompt工程解决下游通用分割任务。
- 与之相应的模型架构是什么样的？
模型必须支持灵活的prompt，且可以实时输出掩码（mask）。
- 什么样的数据能支持这项任务和模型？
论文提出需要大规模多样化的数据集，为了得到这样的数据集，可以构造一个数据引擎，通过引擎可以半自动、全自动生成新数据完成模型迭代
模型结构：
数据引擎
互联网上目前没有适用于本任务数据量的数据集，所以必须构建一套引擎来生成数据。生成的训练数据集名为SA-1B，总共包括1100万张图像和11亿个掩码。数据生成收集包含三个阶段。
-
人工辅助阶段。专业标注员使用浏览器上的交互式标记工具，并结合 SAM 进行手动标注。SAM 首先使用公共数据集进行训练。随着数据量的逐渐增加，SAM 图像编码器的尺寸也随之增大（ViT-B扩展为ViT-H）。在这一阶段结束时，收集了 430 万个掩码和 12 万张图像。
-
半自动阶段。为了增加掩码的多样性并改善模型的性能，研究人员首先预先填充了掩码，标注人员需要在此基础上补充其他未标注的对象。为了检测掩码的可信度，使用第一阶段得到掩码的数据训练一个边界检测模型，用来进行高置信度预测。在此阶段结束时，一张图像平均可以提供 72 个掩码。
-
全自动阶段。本阶段可以实现全自动标注。实现此步骤主要由于亮点：一，在前面两个阶段已经收集了足够的掩码；二，引入了可以在有歧义情况下也可以判断的歧义感知模型。在这一阶段结束时，最终的 SA-1B 数据集包含 1100 万张图像和 1.1B 个掩码。
图片绘制
stable diffusion(网上说这部分的文章众多，暂略)
集成
样例
（目前跑的样例均涉及到公司内部信息，暂略，后期有时间会补充脱敏版）
其他问题
grouding-dino检测到的目标是一个范围，如果此范围内有多个物体且互相之间不好区分，则会全部覆盖。
例：原图如下，src为dog，dst为tiger
原图：
生成的mask：
结果图：
附录
GroundingDINO开源项目地址
GroundingDino论文地址
segment anything论文地址
segment anything github
segment anything官方demo
SAM论文解读
Segment Anything（SAM）论文杂谈
SAM综述
sam数据集
SA-1B数据集
手把手教程
当前图片编辑基础代码
文章出处登录后可见！
