用于实例分割的混合任务级联
计算机视觉与模式识别
2019-04-10 v2
摘要
级联是一种经典而强大的架构，已在各种任务上提升了性能。然而，如何将级联引入实例分割仍是一个开放问题。将Cascade R-CNN与Mask R-CNN简单组合仅带来有限的增益。在探索更有效方法的过程中，我们发现成功的实例分割级联的关键在于充分利用检测与分割之间的互惠关系。在这项工作中，我们提出一个新框架——混合任务级联（HTC），它在两个重要方面有所不同：（1）不是分别对这两个任务进行级联细化，而是将它们交织以进行联合多阶段处理；（2）它采用全卷积分支来提供空间上下文，这有助于将困难前景与杂乱背景区分开。总体而言，该框架能够在每个阶段逐步学习更具判别性的特征，同时整合互补特征。无需额外技巧，单个HTC在MSCOCO数据集上比强力的Cascade Mask R-CNN基线获得38.4和1.5的提升。此外，我们的整体系统在test-challenge划分上达到48.6 mask AP，在COCO 2018挑战赛目标检测任务中排名第一。代码见：https://github.com/open-mmlab/mmdetection。
引用
@article{arxiv.1901.07518,
title = {Hybrid Task Cascade for Instance Segmentation},
author = {Kai Chen and Jiangmiao Pang and Jiaqi Wang and Yu Xiong and Xiaoxiao Li and Shuyang Sun and Wansen Feng and Ziwei Liu and Jianping Shi and Wanli Ouyang and Chen Change Loy and Dahua Lin},
journal= {arXiv preprint arXiv:1901.07518},
year = {2019}
}
备注
CVPR 2019 camera ready