用于单阶段实例分割的掩码编码
计算机视觉与模式识别
2020-05-07 v2
摘要
迄今为止，实例分割由两阶段方法主导，以 Mask R-CNN 为先驱。相比之下，单阶段替代方法在掩码 AP 上无法与 Mask R-CNN 竞争，主要由于难以紧凑地表示掩码，使得单阶段方法的设计极具挑战性。在本工作中，我们提出一种简单的单阶段实例分割框架，称为基于掩码编码的实例分割（MEInst）。MEInst 不直接预测二维掩码，而是将其提炼为一个紧凑且固定维度的表示向量，从而允许将实例分割任务整合进单阶段边界框检测器，并形成一个简单而高效的实例分割框架。所提出的单阶段 MEInst 在 MS-COCO 基准上以单模型（ResNeXt-101-FPN 骨干网络）和单尺度测试取得了 36.4% 的掩码 AP。我们表明，这种更简单且灵活的单阶段实例分割方法也能取得具有竞争力的性能。该框架可轻松适用于其他实例级识别任务。代码见：https://git.io/AdelaiDet
引用
@article{arxiv.2003.11712,
title = {Mask Encoding for Single Shot Instance Segmentation},
author = {Rufeng Zhang and Zhi Tian and Chunhua Shen and Mingyu You and Youliang Yan},
journal= {arXiv preprint arXiv:2003.11712},
year = {2020}
}
备注
Accepted to Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), 2020