人工标注或成过去式？SSA语义分割框架、SSA-engine自动类别标注引擎，大幅提升细粒度语义标注效率

关注

原创最新推荐文章于 2026-06-04 19:29:57 发布 1.7k 阅读 AI 写同款· GEO 优化 ›

Foggy_driving数据集下载以及将其转换成VOC数据格式 Foggy_driving数据集官方下载地址百度网盘下载链接：https://pan.baidu.com/s/1q4dhnlX-doxlt13Mi-uFZQ 提取码：2ap3 VOC格式的Foggy_driving数据集百度网盘下载链接：https://pan.baidu.com/s/14bIND62U0wyhXLvUy5nJFQ 提取码：ekrn 将Foggy_driving数据集转换成VOC数据格式的python代码如下： ###Foggy_driving中的gtbox标注为txt格式，现工作需要将目阅读详情

推荐语

4月5日，Meta发布 Segment Anything 模型和 SA-1B 数据集，引发CV届“地震”，其凭借一己之力，成功改写了物体检测、数据标注、图像分割等任务的游戏规则。

复旦大学ZVG实验室团队基于此最新开源了SSA语义分割框架和SSA-engine自动注释引擎，可以为所有mask自动地生成细粒度语义标签，填补了SA-1B中缺乏的细粒度语义标注的空白，为构建大规模语义分割数据集打下基础，也可以用于多模态的特征对齐等研究。

最后，我们提供了包含SA-1B在内的多个数据集快速下载地址，欢迎大家关注与探索。

本文已授权，作者丨复旦大学ZVG实验室

Semantic Segment Anything 丨复旦大学ZVG实验室

Repo: https://github.com/fudan-zvg/Semantic-Segment-Anything

Demo：https://replicate.com/cjwbw/semantic-segment-anything

SAM是一种强大的图像分割模型，SA-1B是目前为止最大的分割数据集。然而，SAM缺乏为每个mask预测语义类别的能力。为了弥补上述不足，我们提出了一个基于SAM的语义分割框架，不仅能准确地分割mask，还能预测每个mask的语义类别，称为Semantic Segment Anything (SSA)。

此外，我们的SSA可以作为一个自动化的稠密开放词汇标注引擎，称为Semantic segment anything labeling engine (SSA-engine)，为SA-1B或任何其他数据集提供丰富的语义类别注释。该引擎显著减少了人工注释及相关成本的需求。

为什么我们需要SSA：

SAM是一种高度可泛化的图像分割算法，可以提供精确的mask分割。SA-1B是迄今为止最大的图像分割数据集，提供了精细的mask分割注释。但是，SAM和SA-1B都没有为每个mask提供类别预测或注释。这使得研究人员难以直接使用强大的SAM算法来解决语义分割任务，或者利用SA-1B来训练自己的模型。
先进的close-set分割器，如Oneformer，open-set分割器，如CLIPSeg，以及image caption方法，如BLIP，可以提供丰富的语义注释。不过，它们的mask分割预测可能无法分割出像SAM那么精确和细腻的边界。
因此，通过将SAM和SA-1B的精细图像分割mask与这些先进模型提供的丰富语义类别标注相结合，我们可以生成具有更强泛化能力的语义分割模型，以及一个大规模语义分割的图像分割数据集。

SSA能做什么？

● SSA: 这是第一个利用SAM进行语义分割任务的开放框架。它支持用户将其现有的语义分割器与SAM无缝集成，无需重新训练或微调SAM的权重，从而实现更好的泛化和更精确的掩模边界。

● SSA-engine: SSA-engine为大规模的SA-1B数据集提供了密集的开放词汇类别注释。在手动审核和精细化之后，这些注释可以用于训练分割模型或细粒度的CLIP模型。

下面为大家详细介绍一下。

SSA：语义分割一切

在引入SAM之前，大多数语义分割应用场景已经有了自己的模型。这些模型可以为区域提供粗略的类别分类，但在边缘处模糊不清，缺乏精确的掩模。为了解决这个问题，我们提出一种利用SAM来增强原有模型性能的开放框架——SSA，即使用原始语义分割模型提供类别，同时利用强大的SAM提供掩模。

如果您已经在数据集上训练了一个语义分割模型，您不需要为了更精准的分割能力，重新训练一个基于SAM的新模型。相反，您可以继续使用旧模型作为语义分支（Semantic branch）。SAM强大的泛化和图像分割能力可以提高原有模型的性能。值得注意的是，SSA适用于原本的分割器预测的掩模边界不是非常精确的场景，如果原有模型的分割已经非常精确了，则SSA很难带来提升。

SSA包含两个分支，Mask Branch和Semantic Branch，以及一个投票模块来决定每个mask的类别。

Mask branch（蓝色）。SAM可以作为Mask branch提供一组有清晰边界的mask。
Semantic branch（紫色）。这个分支为每个像素提供语义类别，它由一个语义分割器实现，用户可以自定义用户感兴趣的类别的分割器。这个分割器不需要具有非常精细的边界预测能力，但应该尽可能准确地对每个区域进行分类。
Semantic Voting module（红色）。这个模块根据mask的位置裁剪出相应的像素类别。在这些像素类别中，像素数量排名第一的类别将被视为该mask的分类结果。

SSA-engine：自动化类别标注引擎

SSA-engine是一个自动化注释引擎，可以为SA-1B数据集或者任何一个数据集提供初始的语义标注。SSA-engine利用close-set分割模型来预测基础类别，并结合image caption模型来提供open-vocabulary的标注。得益于这样的设计，SSA-engine一方面可以为大多数样本提供令人满意的类别标注，另一方面，可以利用image caption方法提供更详细的语义类别标注。

SSA-engine填补了SA-1B缺乏的细粒度语义标注的空白，显著减少了人工类别标注需求。它有潜力成为训练大规模视觉感知模型和更细粒度CLIP模型的基础。

SSA-engine由三个组件组成：

1. Close-set语义分割器（绿色）。它是两个分别在COCO和ADE20K数据集上训练close-set语义分割模型，用于分割图像并获取粗略的类别信息。预测的类别仅包括简单、基本的类别，以确保每个mask都获得相关的标签。

2. Open-vocabulary分类器（蓝色）。利用image caption模型来描述与每个mask对应的图像区域。然后提取名词或短语作为候选的open-vocabulary类别。这个过程提供了更多样化的类别标签。

3. 最终决策模块（橙色）。SSA-engine使用一个类别过滤器（即CLIP）从l来自Close-set语义分割器和Open-vocabulary分类器的类别列表中，过滤出最合理的top-k个预测。最后，Open-vocabulary Segmentor（即CLIPSeg）根据top-k类别和图像区域预测最适合的类别。

实验

1. 推理时间

我们在单个NVIDIA A6000 GPU上测试了模型的推理速度，结果如下表所示：

在被用于测试的200张图像中，平均每张图像包含了99.9个mask。

2. 显存开销

3. Close-set的语义分割结果

为了验证SSA架构的提升，我们选用了Huggiing face上的不同参数量和精度的Segformer模型（包括B0，B2和B5版本），作为一个mask预测没有那么准确的Seamntic branch。实验结果表明，在原本的语义分割模型（作为Semantic branch）的性能一般的情况下，SSA可以带来明显的准确度提升。

注意，本实验的Segformer的模型权重和代码均由NVIDIA公开，下载自Hugging face，而这些模型的mIoU略低于Github仓库中的实验结果。

4. Close-set的语义分割结果

我们验证了SSA在雾天语义分割数据集Foggy Driving上的性能。实验中，我们是用了OneFormer作为Semantic branch，其权重和代码来自于Hugging face。

实测效果

SSA的Close-set语义分割实测

1. Cityscapes

2. ADE20K

3. Foggy Driving

SSA-engine的Open-vocabulary标注实测

快速安装：

Semantic-Segment-Anything
conda env create -f environment.yaml
conda activate ssa
python -m spacy download en_core_web_sm# install segment-anythingcd ..
git clone git@github.com:facebookresearch/segment-anything.gitcd segment-anything; 
pip install -e .; cd ../Semantic-Segment-Anything

1. SSA的快速上手

1.1 数据准备

● 下载 ADE20K 或者 Cityscapes dataset,并在 data 文件夹解压.

● 下载SAM 的权重并放在 ckp 下.

wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pthcd ..

1.2 SSA模型推理
使用8卡GPU在ADE20K上推理SSA

python scripts/main_ssa.py --ckpt_path ./ckp/sam_vit_h_4b8939.pth --save_img --world_size 8 --dataset ade20k --data_dir data/ade20k/ADEChallengeData2016/images/validation/ --gt_path data/ade20k/ADEChallengeData2016/annotations/validation/ --out_dir output_ade20k_test

使用8卡GPU在Cityscapes上推理SSA‍

python scripts/main_ssa.py --ckpt_path ./ckp/sam_vit_h_4b8939.pth --save_img --world_size 8 --dataset cityscapes --data_dir data/cityscapes/leftImg8bit/val/ --gt_path data/cityscapes/gtFine/val/ --out_dir output_cityscapes

1.3 SSA验证
获取 ADE20K的验证结果

python evaluation.py --gt_path data/cityscapes/gtFine/val/ --result_path output_cityscapes/ --dataset cityscapes

获取 Cityscapes的验证结果

python evaluation.py --gt_path data/cityscapes/gtFine/val/ --result_path output_cityscapes/ --dataset cityscapes

2.SSA-engine的快速上手

● 下载SA-1B数据集并放在data路径下

● 运行SSA-engine对SA-1B进行自动类别标注

python scripts/main_ssa_engine.py --data_dir=data/examples --out_dir=output --world_size=8 --save_img

致谢

● Segment Anything 提供 SA-1B 数据集。

● HuggingFace 提供代码和预训练模型。
● CLIPSeg、OneFormer、BLIP 和 CLIP提供强大的语义分割、图像说明和分类模型。

引用

如果您觉得我们的工作对您有帮助，请引用我们的仓库：

@misc{chen2023semantic,
    title = {Semantic Segment Anything},
    author = {Chen, Jiaqi and Yang, Zeyu and Zhang, Li},
    howpublished = {\url{https://github.com/fudan-zvg/Semantic-Segment-Anything}},
    year = {2023}
}