乾明 十三 发自 凹非寺
量子位 报道 | 公众号 QbitAI
框架更简单,但实现了比Mask R-CNN还好的性能。
这是字节跳动实习生提出的实例分割新方法,名为SOLO。
核心在于通过引入“实例类别”的概念,把实例分割问题转化为分类问题。
与Mask R-CNN相比,架构更加简单,是一种单阶段实例分割的方法:
但在性能上却强得多。
COCO数据集上的实验结果显示,SOLO的效果普遍超过此前的单阶段实例分割主流方法,在一些指标上还超过了增强版的Mask R-CNN。
这一论文发布之后,也引起了业内人士的关注,并赢得了不少点赞。
有人评价称:“这是一篇非常好的工作,不仅实现了single stage,精度也非常高……这些position variance的特性,一定会在物体检测与实体分割带来新的突破。本文则是一个非常好的尝试。”
也有人评价称:“我接触到的(我接触到的可能并不多)真正意义上的效果比较不错的实例分割单阶段方法。”
总之,新颖简洁的框架,称得上突破性的工作。他们具体如何实现的?我们下面一一解读。
突破在哪?
以往的实例分割方法主要分为两种,即自上而下和自下而上的范例。
但是这两种方法,要么严重依赖精确的边界框检测,要么依赖每个像素的嵌入学习和分组处理。
那么,是否存在一种方法,可以绕过这些条条框框来做实例分割呢?