代码地址:mmdetection
1. 概述
导读:级联优化策略在许多的任务中被证实是提升性能的有效策略,而在实例分割中引入级联优化策略还是比较新的尝试。而简单地将Cascade RCNN与Mask RCNN相结合(Cascade Mask RCNN)只能带来很少的性能提升,其中的关键是没有很好利用检测与分割之间相互关联,因而这篇文章基于此提出了一个新的网络结构Hybrid Task Cascade(HTC),文章的方法从如下的两个方面进行改进:1)在级联优化中将分割与检测任务组合在一起去完成多阶段地处理;2)采用了一个全卷积的分支(分割分支)提供空间信息,从而帮助区分分割任务中的前景与背景。从而网络可以学习到更具区分性的特征并且在每个stage上组合互补的特征。使用单纯的HTC网络在COCO数据集上相比Cascade Mask RCNN提升了1.5%到达38.4%(Cascade Mask RCNN中级联带来的收益更多是体现在边界框更为准确上),在测试集上获得了48.6的mask AP。
这篇文章的算法借鉴了级联优化的策略,其关键是通过每个stage上多任务与级联组合增强信息的流动,并利用空间信息来进一步提升分割精度。则这篇文章提供的级联优化策略与之前的优化策略的对比见下图2所示:
2. 方法设计
首