基于多模态提示的图像分割模型
SEEM是一种新型图像分割模型,支持多种交互方式如点击、框选、涂鸦、文本和音频提示。该模型可接受任意组合的提示输入,精确分割图像中的目标对象并赋予语义标签。SEEM采用统一架构,具备多模态交互、语义理解和泛化能力,为图像分割任务提供了灵活通用的解决方案。
:grapes: [阅读我们的arXiv论文] :apple: [体验我们的演示]
我们介绍了SEEM,它可以使用多模态提示一次性Segment Everything Everywhere with Multi-modal prompts(分割任何地方的任何事物)。SEEM允许用户使用不同类型的提示轻松分割图像,包括视觉提示(点、标记、框、涂鸦和图像分割)和语言提示(文本和音频)等。它还可以与任何组合的提示一起使用,或扩展到自定义提示!
作者:Xueyan Zou*、Jianwei Yang*、Hao Zhang*、Feng Li*、Linjie Li、Jianfeng Wang、Lijuan Wang、Jianfeng Gao^、Yong Jae Lee^,发表于 NeurIPS 2023。
简要介绍我们可以执行的所有通用和交互式分割任务!
我们为SEEM和X-Decoder发布以下内容:exclamation:
:point_right: Linux下的一键SEEM演示:
git clone git@github.com:UX-Decoder/Segment-Everything-Everywhere-All-At-Once.git && sh assets/scripts/run_demo.sh
:round_pushpin: [新] 入门指南:
SEEM_v0: 支持单一交互对象的训练和推理 SEEM_v1: 支持多个交互对象的训练和推理
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/78551c4e-d96b-4a3c-83fb-ef604a2011b5.gif" width="400" /> <img src="https://yellow-cdn.veclightyear.com/835a84d5/252f56e7-be64-41da-b7a0-7d24fd1f40a1.gif" width="400" /> </div>:fire: 相关项目:
:fire: 其他你可能感兴趣的项目:
受到大语言模型中通用接口的启发,我们倡导单一模型实现任何类型分割的通用、交互式多模态接口。我们强调SEEM的4个重要特征如下。
一个变形金刚的例子。参考图像是擎天柱的卡车形态。无论擎天柱是什么形态,我们的模型都能在目标图像中分割出擎天柱。感谢Hongyang Li提供这个有趣的例子。
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/dee60b45-b01e-4a4e-9709-b60100fca57f.png" width = "700" alt="assets/images/transformers_gh.png" align=center /> </div>用户只需简单点击或涂抹,我们就能生成相应的遮罩及其类别标签。
SEEM可以根据用户的文本输入生成遮罩,实现与人类的多模态交互。
在参考图像上简单点击或涂抹,模型就能在目标图像上分割出具有相似语义的物体。
SEEM对空间关系的理解非常出色。看看这三只斑马!分割出的斑马与参考斑马的位置相似。例如,当上排最左边的斑马被指定时,下排最左边的斑马就被分割出来。
无需在视频数据上训练,SEEM可以完美地根据您指定的任何查询为视频分割!
我们使用Whisper将音频转换为文本提示来分割物体。在我们的演示 中试试吧!
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/7e58b3e1-fb72-4c54-938f-eaec08184fae.png" width = "900" alt="assets/images/audio.png" align=center /> </div>分割表情包的示例。
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/72fb5f2a-2328-47d7-b74b-f554fd839b83.png" width = "500" alt="assets/images/emoj.png" align=center /> </div>分割卡通风格树木的示例。
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/7a801832-9b43-49d8-a58c-a2d2a95c4b46.png" width = "700" alt="assets/images/trees_text.png" align=center /> </div>分割Minecraft图像的示例。
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/db16c018-f923-4831-b006-43fda2c7175d.png" width = "700" alt="assets/images/minecraft.png" align=center /> </div>在流行的泰迪熊上使用参考图像的示例。
在下图中,我们比较了三种分割任务(边缘检测、开放集和交互式分割)的交互和语义水平。开放集分割通常需要较高的语义水平,但不需要交互。与SAM相比,SEEM涵盖了更广泛的交互和语义水平。例如,SAM仅支持有限的交互类型,如点和框,而由于它本身不输出语义标签,因此缺少高语义任 务。原因如下:首先,SEEM有一个统一的提示编码器,将所有视觉和语言提示编码到一个联合表示空间中。因此,SEEM可以支持更广泛的用途。它有潜力扩展到自定义提示。其次,SEEM在文本到遮罩(基于定位的分割)方面表现出色,并输出具有语义意识的预测。
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/69999e91-f363-4e20-94d9-2d43449b88d7.jpg" width = "500" alt="assets/images/compare.jpg" align=center /> </div>一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号