面向实例分割的自平衡 R-CNN
计算机视觉与模式识别
2024-04-26 v1
摘要
当前用于实例分割任务的领先两阶段模型存在多种不平衡问题。本文针对第二阶段训练中正面输入区域关注点 (RoI) 的交并比 (IoU) 分布不平衡问题进行解决。我们提出的自平衡 R-CNN (SBR-CNN) 是混合任务级联 (HTC) 模型的演进版本，引入了边界框和掩码细化的全新循环机制。通过改进的通用区域提取 (GRoIE)，我们也解决了由 backbone 层级之间低层和高层特征非均匀集成在特征金字塔网络 (FPN) 级别上产生的特征层级不平衡问题。此外，架构头的重新设计为全卷积方法 (FCC)，进一步减少参数数量，并更好地捕捉任务解决方案与所用层级之间的关联。此外，我们的 SBR-CNN 模型即使在与其他领先模型联合使用时，也能取得相同甚至更好的改进。事实上，在使用轻量级 ResNet-50 作为 backbone，评估 COCO minival 2017 数据集时，本模型在目标检测和实例分割分别达到 45.3% 和 41.5% 的 AP 指标，使用 12 个 epoch 且无需额外技巧。代码已公开于 https://github.com/IMPLabUniPr/mmdetection/tree/sbr_cnn
引用
@article{arxiv.2404.16633,
title = {Self-Balanced R-CNN for Instance Segmentation},
author = {Leonardo Rossi and Akbar Karimi and Andrea Prati},
journal= {arXiv preprint arXiv:2404.16633},
year = {2024}
}