PolarMask++：用于单阶段实例分割及更广任务的增强极坐标表示
计算机视觉与模式识别
2021-05-06 v1
摘要
降低实例分割流程的复杂度对实际应用至关重要。本工作通过引入一种无锚框、单阶段的实例分割框架（称为 PolarMask）来解决此问题，该框架将实例分割问题重新表述为在极坐标系中预测物体轮廓，具有若干吸引人的优点。（1）极坐标表示将实例分割（掩码）与目标检测（边界框）统一到单一框架中，降低了设计与计算复杂度。（2）精心设计了两个模块（即软极坐标中心度和极坐标 IoU 损失）来采样高质量的中心样本并优化极坐标轮廓回归，使得 PolarMask 的性能不依赖于边界框预测结果，从而在训练中更为高效。（3）PolarMask 是全卷积的，可轻松嵌入大多数现成检测方法中。为了进一步提升框架的精度，引入了精炼特征金字塔以改进不同尺度下的特征表示，称为 PolarMask++。大量实验证明了 PolarMask 与 PolarMask++ 的有效性，在极具挑战性的 COCO 数据集上以单模型、单尺度训练与测试取得了有竞争力的实例分割结果，并在旋转文本检测与细胞分割上取得了新的 SOTA 结果。我们希望所提出的极坐标表示能为设计算法以解决单阶段实例分割提供新视角。代码与模型见：github.com/xieenze/PolarMask。
引用
@article{arxiv.2105.02184,
title = {PolarMask++: Enhanced Polar Representation for Single-Shot Instance Segmentation and Beyond},
author = {Enze Xie and Wenhai Wang and Mingyu Ding and Ruimao Zhang and Ping Luo},
journal= {arXiv preprint arXiv:2105.02184},
year = {2021}
}
备注
TPAMI 2021 Accepted