引言

• 论文：Segment Anything是Meta出的图像语义分割的算法。这个算法因其强大的zero-shot泛化能力让人惊艳，这不抽空拿来学习了一下。
• 该算法的代码写得很清楚、简洁和规范，读来让人赏心悦目。推荐去看源码，很有意思。
• 本篇文章，将以问答形式来解读阅读过程中遇到的困惑，想来这种方式效率更高一些。
• PDF | Code

整体结构介绍

• 整体分为三大部分：image encoder、prompt encoder和mask decoder。下图看的更加清楚一些，也是来自论文。
  

论文问答

代码仓库中，模型哪部分转换为了ONNX格式？以及如何转的？

• mask_decoder部分做了转onnx格式

• 直接采用torch.onnx.export函数接口转的。因为没有采用transformer函数库，因为转换较为简单。

  • 先基于torch构建整个部分模型，构建模型输入。

  • 调用torch.onnx.export函数来转换

Mask decoder部分 Transformer decoder block?

• 该部分采用的动态mask预测头。

• 在两个方向上（prompt-to-image embedding 和相反的）使用了prompt self-attention和cross-attention来达到更新所有embedding的目的。

如何整合image_embedding，image_pe, sparse_prompt_embedding和dense_prompt_embedding的？

• 通过mask decoder这一部分来做的。采用的是修改过的Transformer decoder block.

points, boxes, text和masks四种类型prompt如何嵌入到网络中？

• points, boxes, text在论文中称为sparse prompt。masks类型被称为dense prompt

• points和boxes 是以positional encodings（位置编码）和每个提示类型的学习嵌入来表示的。

• text是来自CLIP的text encoder表示的。从demo中并没有看到text输入的prompt， 从issue #93中验证了这点

• mask是使用卷积嵌入，并与图像embedding逐元素求和

什么样的任务具有zero-shot泛化能力？

• 模型以promptable的方式训练得到，因此具备zero-shot的泛化能力