关于点prompt处理的问题

[mxxxxxxy]

感谢您非常好的工作。关于点的prompt的处理我有一个问题。

predictor.py的133行

coords_torch, labels_torch = coords_torch[:, None, :], labels_torch[:, None]

这里似乎是把输入的N个点当成N个batch处理的，padding后point变成(N * 2 * 2) 而不是 (1 * (N+1) * 2)。原始SAM里是下面这样。

coords_torch, labels_torch = coords_torch[None, :, :], labels_torch[None, :]

我尝试给5个point prompt，Hi-SAM输出的是5个mask （指五个位置上的masks）。而原始SAM会把这5个prompt结合输出一个mask。我想知道这是否说明Hi-SAM的推理都是只针对1个点，即给定一个点输出这个位置的文本层次，这样的话输入的point labels是不是就没有什么意义了？以及如果我想像原始SAM一样给多个point prompt该如何实现。

谢谢！