【YOLACT 】核心思想的解析

YOLACT 将实例分割任务转化为“基向量组合”问题的核心思想，是通过生成一组基础分割模板（原型掩模）​，再为每个实例预测一组组合系数，动态地将这些基础模板线性组合成最终的实例掩码。这种设计将复杂的像素级预测简化为系数驱动的模板合成，极大提升了效率。以下是详细解释：

---

一、核心思想分解

1. ​基向量（原型掩模）的生成​

• ​基向量定义​：
  基向量是一组全局的、类别无关的基础分割模板（如边缘、圆形、纹理等），每个模板对应一个原型掩模 Pi​∈RH×W（H,W 为特征图尺寸）。
• ​生成方式​：
  通过 ​Protonet​（轻量级全卷积网络）从主干网络特征中提取。例如，输入特征图尺寸为 81​ 原图（如 100×100），生成 32 个原型掩模。
• ​物理意义​：
  每个原型捕捉一种通用分割模式（如“物体边缘”、“密集纹理”、“规则几何形状”），覆盖图像中可能存在的各种局部特征。

2. ​实例系数的预测