论文阅读CondInst《Conditional Convolutions for Instance Segmentation》

论文链接：http://xxx.itp.ac.cn/pdf/2003.05664v3

CondInst是ECCV20上的一篇关于实例分割的文章，个人感觉和YOLACT的思路有相似之处（CondInst最后的处理更加直接简洁）。作者将全卷积网络应用在实例分割的task上，通过采用动态生成的conditional convolution，解决了之前全卷积网络在实例分割上不work的问题。

涉及的问题

作者首先分析了经典的Mask RCNN的问题：（1）由于采用bbox先做框定，所以对于一些不规则的instance，bbox中会掺杂大量的背景信息或者其他实例的杂讯；（2）由于要区分前景和背景信息，因此mask head需要足够大的感受野来编码上下文信息，所以就导致了较多卷积层的堆叠，造成了计算的复杂；（3）ROI操作需要将不同尺寸的区域统一到相同区域，因此对于面积较大的instance，会损失很多精度。

随后作者又分析了FCN的问题：FCN在语义分割等领域已经非常出色，虽然语义分割和实例分割很相似，但FCN在实例分割上依旧不太work（远比不上ROI系列的算法）。究其原因，是因为FCN很难区分一张图像中有相同特征的实例，而实例分割要求我们将所有的实例区分开来；而ROI算法就可以将不同的instance裁剪出来，再逐一进行mask的预测。所以实例分割需要两类信息：（1）appearance：每一个目标的外观特征，即属于什么类别；（2）location：如果一张img有多个同类物体，要通过位置信息区分出他们的不同。

CondInst

所以作者提出了CondInst，可以看作是一个instance-aware的FCN。受动态卷积的启发，CondInst的网络参数是根据instance的不同而变化的，而这个网络参数的作用是编码一些instance的特征（例如位置、形状或者外观信息）。因此根据不同实例对应的conditional mask，把他们分配到整个特征图上，就可以避免ROI操作，从而直接得到每一个instance的mask。

如上图所示，一张img上有K个实例，就需要动态地生成K个mask head，每一个head在他们的filter中都含有目标实例的一些特征，因此不同的mask作用到特征图时，只会根据各自编码特征，去响应拥有特征的实例所对应的pixel。进而得到不同instance的mask。

Architecture

下图为CondInst的模型图：

backbone采用ResNet50，采用FPN结构。下面的mask branch是P3经过卷积得到的特征图，$F_{mask}$，其维度C=8，然后又经过一个类似于coordconv的操作，加上了两个维度的position信息，得到了${\tilde{F}}_{mask}$，维度为8+2=10。上面的部分针对不同尺度的特征图（P3-P7），得到分类向量$p_{x,y}$，以及controller里面的参数${\theta }_{x,y}$。这个controller是本文的核心，${\theta }_{x,y}$表示位置为(x,y)的参数向量，它的维度由mask FCN head的参数决定（所有的kernal和bias），这里是169（因为有三个1*1的卷积层，所以总的参数量是$(10\ast 8+8)+(8\ast 8+8)+(8\ast 1+1)=169$）。每一个位置(x,y)对应一个instance，而每一个instance对应一个不同的${\theta }_{x,y}$，这个${\theta }_{x,y}$的参数assign到mask FCN head的三层参数之中，相当于编码了某特定实例的特征。所以特征图${\tilde{F}}_{mask}$在经过不同的mask FCN head以后，就会根据filter的不同，响应得到不同的intsance的mask。

当然整体的框架遵从FCOS，包括正负例的选取，centerness筛除掉不好的框等操作，而且作者这里并没有吧bbox head删除，因为他在做NMS的时候效果还是要好一些的，最起码速度要比基于mask的NMS快。

Loss

CondInst的损失函数包含两部分，如下所示：

其中第一部分的loss同FCOS，第二部分为额外的mask部分的loss，其表达形式如下所示：

mask部分采用Dice Loss，作用是用来平衡正负样本的数量。$c_{x,y}^{\ast }$表示GT类别，等于0表示背景，大于0表示前景；$N_{pos}$表示正例数目；$M_{x,y}^{\ast }$表示GT mask。而MaskHead()表示${\tilde{F}}_{mask}$经过${\theta }_{x,y}$分配的mask FCN head后得到的预测的mask。

Inference

给定一个img作为输入，得到分类向量$p_{x,y}$，bbox预测$t_{x,y}$，centerness得分，以及参数${\theta }_{x,y}$。首先根据FCOS的规则，根据类别score，NMS等操作，假设筛选到最后只剩下K个要预测的instance，这是把那K个位置所对应的${\theta }_{x,y}$分别加载到mask FCN head中，让${\tilde{F}}_{mask}$分别通过这K个head，最后分别得到K个不同的instance所对应的mask，再将其整合即可。可以看出，mask head参数量很少，因此Inference的时间也相对较快。

实验结果

与几个经典的方法的比较，CondInst精度是很高的。

关于$F_{mask}$维度C的讨论，发现C=8最好，且C=2时精度也只损失了0.3，这是CondInst这个算法速度很快的原因之一。

其他还有一些消融实验，这里就不贴结果了，有兴趣的可以去查阅一下论文。

总结

总而言之，CondInst摒弃了ROI方法，因此也消除了ROI方法的三个弊病。CondInst引入动态生成卷积核的模式，为每一个不同的instance产生不同的mask head，从而在特征图正向传播时，这些不同的mask head会根据自身编码的特征，提取出不同instance的mask，从而实现实例分割的task。