CenterMask：基于点表示的单阶段实例分割方法
计算机视觉与模式识别
2020-04-14 v2
摘要
本文提出一种单阶段实例分割方法，其简单、快速且准确。单阶段实例分割面临两个主要挑战：对象实例区分与像素级特征对齐。为此，我们将实例分割分解为两个并行子任务：局部形状预测（即使在重叠条件下也能分离实例）与全局显著性生成（以逐像素方式分割整幅图像）。两个分支的输出被组装以形成最终的实例掩码。为实现此目的，局部形状信息取自对象中心点的表示。完全从零训练且不加任何额外技巧，所提出的 CenterMask 在具有挑战性的 COCO 数据集上以单模型单尺度训练/测试取得了 34.5 mask AP 与 12.3 fps 的速度。其精度高于所有其他单阶段实例分割方法，除了慢 5 倍的 TensorMask，这显示了 CenterMask 的有效性。此外，我们的方法可轻松嵌入其他单阶段目标检测器（如 FCOS）且表现良好，显示了 CenterMask 的泛化能力。
引用
@article{arxiv.2004.04446,
title = {CenterMask: single shot instance segmentation with point representation},
author = {Yuqing Wang and Zhaoliang Xu and Hao Shen and Baoshan Cheng and Lirong Yang},
journal= {arXiv preprint arXiv:2004.04446},
year = {2020}
}
备注
To appear at CVPR 2020