【VIS】Video Instance Segmentation

最新推荐文章于 2024-06-10 09:33:35 发布

Rlin_by

最新推荐文章于 2024-06-10 09:33:35 发布

阅读量4.5k

点赞数 2

分类专栏：论文阅读文章标签： ICCV2019 VIS

本文链接：https://blog.csdn.net/Rlin_by/article/details/103916047

版权

论文阅读专栏收录该内容

14 篇文章 1 订阅

订阅专栏

论文地址：http://openaccess.thecvf.com/content_ICCV_2019/papers/Yang_Video_Instance_Segmentation_ICCV_2019_paper.pdf

代码地址：https://github.com/ youtubevos/MaskTrackRCNN
新数据集：YouTube-VIS，地址：https:// youtube-vos.org/dataset/vis

字节跳动的大佬又开辟了新的task：Video Instance Segmentation，但今天看到已经算晚的了，2019年都已经办过比赛了。今天读一读这篇论文。

按照作者的定义，VIS是一个 aims at simultaneous detection, segmentation and tracking of object instances in videos.可算是把所有能用的方法都融合的很难的task了。

Problem Definition

这个任务的目标就是，把视频帧的每一个实例分割出来。与VOS不同的是，VOS不需要知道分割前景的label，VIS不仅要连续追踪，分割，而且要做到实例分割，那么就有一个难点：有的实例不是第一帧会出现的，这是与VOS不同的。

Evaluation Metrics

作者借用了实例分割使用的AP和AR两个指标，迁移到本任务里。

AP is defined as the area under the precision-recall curve. The confidence score is used to plot the curve. AP is averaged over multiple intersection-over-union (IoU) thresholds.

AR is defined as the maximum recall given some fixed number of segmented instances per video.

但是本任务IOU计算和image instance segmentation不同，计算如下，T为某一个视频的总帧数，m是binary segmentation mask.

也就是说，第一帧的时候，后面的都为0，只算第一帧的IOU，第二帧的时候，算第一帧和第二帧，其他为0，以此类推。

作者任务可以达到If the algorithm detects object masks successfully, but fails to track the objects across frames, it will get a low IoU这样的效果。

MaskTrack R-CNN

介绍一下论文作者用的网络，简单来说就是Mask-RCNN再加一个分支叫“Track Head”。

整个网络也是two-stage的，first stage就是对每一帧都产生各自的一系列object Bbox。

在Bbox Head 和 Mask Head 计算的同时，加一个 Track Head（2个全连接层），用于对每一个候选框分配一个instance label。

假设已经计算出了前一帧有N个instance，那么当前帧的候选框所属的label要么属于这N个，要么属于一个新的label。所以把这个当作N+1的分类问题，可以计算一个label n被分配给候选框i的概率：

这是一个多项式逻辑回归。可以看出，在算fi和fn的内积，那么问题来了，fn，fj，j∈[1,N]是哪来的？

其中fi是输入Track Head的当前帧的RoI Align的feature，而其他是前一帧存下来的feature（Memory）。

这里用一个CE Loss来约束Track Head，，y_i是对应实例label。

如果当前帧的候选框i对应的label属于前一帧的N个实例中的一个，那么Memory里的feature会更新；如果是一个新的label，那么Memory里也会添加一个新的feature。

训练的时候，随机挑选一对frames，一个做reference，一个做query。对reference只提取GT里instance region里的feature存到memory里，query frame会先在first stage里选出positive candidate bbox，在对它分配label。作者选择IOU 和GT bbox overlap超过0.7的做为positive。

整个网络的LOSS是：