CenterMask : Real-Time Anchor-Free Instance Segmentation

Paper Link: https://arxiv.org/abs/1911.06667

GitHub (PyTorch): https://github.com/youngwanLEE/CenterMask

Introduction

• 实例分割的经典代表，包括Mask-RCNN与YOLACT等；
• Mask-RCNN基于two-stage检测框架，mask AP相对较高，但执行速度较慢；
• YOLACT基于one-stage检测框架，执行速度快，但mask AP相对较低；
• 且Mask-RCNN与YOLACT都是anchor-based实现方式，具有以下劣势：

1. anchor相关的超参数设置相对敏感，较难适应样本多样性，例如尺度、形状多变的场景；
2. 为了确保高召回率，密集的anchor覆盖 (尤其是stride较小的检测分支)容易导致class imbalance、过重的计算与访存负担；

• 为了实现高效率、高mAP的实例分割模型，文章设计了CenterMask：

1. 检测框架为one-stage anchor-free FCOS；
2. backbone为改进的VoVNet，能够有效降低memory access cost；
3. mask分支引入了spatial attention guidance；
4. 达到了如下效果