论文笔记：WACV2021 DANCE : A Deep Attentive Contour Model for Efficient Instance Segmentation

contour-based的实例分割算法，是对CVPR2020 Deepshake的改进

在Deepshake中，匹配策略破坏了初始轮廓形状。correspondence interlacing, which is caused by accumulated error of perimeter length difference between initial and target contours。

因此本文提出了：

（1）Segment-wise Matching Scheme：

标注的初始轮廓被分成几个segment，这样可以学习到一个更平滑的路线，减轻了correspondence interlacing

首先寻找target轮廓和初始化轮廓的交点，直到达到一定的公差范围（在特殊情况下，以边界框作为初始化轮廓，这些交点是极值点。）。然后将target轮廓分解为若干等segment。在每个分段内，我们根据初始化轮廓对应分段上的顶点数对target轮廓进行统一采样。

对比deepshake，省略了用shake模型构造多边形的步骤，加快训练速度。

（2）Attentive Deformation

Deepshake：回归轮廓上的所有顶点，包括靠近对象边界的顶点。模型学习同时回归边界上和边界外的顶点，这两个顶点具有非常不同的动力学，这将降低学习的效率。

1) the offset regression similar as before

2) an attention module that looks for the off-boundary points among all the vertices, forcing the snake module to focus on regressing those vertices during deformation while leaving the others untouched.（GroupNorm and ReLU）

F_att adaptively re-weights the offsets predicted by the snake module

 

（3）Better Contour Normalization

DeepSnake通过将每个顶点坐标减去轮廓上所有顶点的最小值来对轮廓进行normalization，以实现平移不变轮廓变形。然而，文中认为这种平移不变归一化不足以实现稳定学习，因为回归偏移的范围严重依赖于对象大小。

文中通过引入尺度和平移不变的归一化方案来解决这个问题。具体而言，每个顶点坐标在附加为snake模块的输入特征之前，按照以下方式进行规范化：