Mask Scoring R-CNN
计算机视觉与模式识别
2019-03-04 v1
摘要
让深度网络感知自身预测的质量是一个有趣且重要的问题。在实例分割任务中，大多数实例分割框架使用实例分类的置信度作为掩码质量分数。然而，以实例掩码与其真值之间的IoU量化的掩码质量，通常与分类分数相关性不佳。本文研究该问题并提出Mask Scoring R-CNN，其包含一个学习预测实例掩码质量的网络模块。所提网络模块将实例特征与相应预测掩码共同输入以回归掩码IoU。该掩码打分策略校准了掩码质量与掩码分数之间的错位，并通过在COCO AP评估中优先排序更精确的掩码预测来提升实例分割性能。通过在COCO数据集上的大量评估，Mask Scoring R-CNN在不同模型下均带来一致且显著的增益，并优于当前最优的Mask R-CNN。我们希望这一简单有效的方法为改进实例分割提供新方向。我们的方法源代码见\url{https://github.com/zjhuang22/maskscoring_rcnn}。
引用
@article{arxiv.1903.00241,
title = {Mask Scoring R-CNN},
author = {Zhaojin Huang and Lichao Huang and Yongchao Gong and Chang Huang and Xinggang Wang},
journal= {arXiv preprint arXiv:1903.00241},
year = {2019}
}
备注
Accepted in CVPR 2019