用于实例分割的条件卷积
计算机视觉与模式识别
2020-07-28 v4
摘要
我们提出了一种简单而有效的实例分割框架，称为 CondInst（用于实例分割的条件卷积）。诸如 Mask R-CNN 等性能最优的实例分割方法依赖于 ROI 操作（通常为 ROIPool 或 ROIAlign）来获取最终的实例掩码。相比之下，我们提出从新的视角解决实例分割问题。我们不使用逐实例的 ROI 作为固定权重网络的输入，而是采用以实例为条件的动态实例感知网络。CondInst 具有两个优势：1）实例分割由一个全卷积网络解决，消除了对 ROI 裁剪和特征对齐的需求。2）由于动态生成的条件卷积大幅提升了容量，掩码头可以非常紧凑（例如 3 个卷积层，每层仅 8 个通道），从而显著加快推理速度。我们展示了一种更简单的实例分割方法，能够在准确率和推理速度上均取得更优表现。在 COCO 数据集上，我们优于若干近期方法，包括经过充分调优的 Mask RCNN 基线，且无需更长的训练周期。代码见：https://github.com/aim-uofa/adet
引用
@article{arxiv.2003.05664,
title = {Conditional Convolutions for Instance Segmentation},
author = {Zhi Tian and Chunhua Shen and Hao Chen},
journal= {arXiv preprint arXiv:2003.05664},
year = {2020}
}
备注
Accepted to Proc. European Conf. Computer Vision (ECCV) 2020 as oral presentation