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