本文介绍了BoxInst模型，一种仅使用边框标注实现高性能实例分割的方法。通过重新设计损失函数，无需mask标注即可训练。在COCO数据集上，mask AP从21.1%提升到31.6%。文中详细阐述了如何在极链AI云平台上快速复现该模型，包括创建实例、数据准备、训练和使用预训练权重的步骤。
一、模型介绍
《BoxInst: High-Performance Instance Segmentation with Box Annotations》于2020年11月发表，出自沈春华组，提出了一个实现 mask 级实例分割的高性能方法，训练时只需使用边框标注。本文中，作者只用到了一个简单的设计就可以实现显著的性能提升，在COCO数据集上 mask AP 由 21.1 % 21.1\%21.1%大幅提升到了31.6 % 31.6\%31.6%。本文核心思想重新设计实例分割中的 mask 学习损失函数，无需修改分割网络本身。新的损失函数无需 mask 标注，就可监督 mask 的训练。它是通过以下两个损失项做到的：1) 一个最小化 ground-truth 边框映射和预测 mask 差异的替代项；2) 一对损失使得颜色相近的相邻像素点类别相同。
接下来我们一起看看如何快速进行论文复现吧！
二、创建实例
最低0.47元/天 解锁文章
扫一扫
324
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
