【实例分割系列：二】PANet 论文 笔记解析 Path Aggregation Network for Instance Segmentation

2018 CVPR
COCO2017/CityScapes instance segmentation 第一

Instance Segmentation

Path Aggregation Network for Instance Segmentation
代码地址

Mask R-CNN 中的信息传播 优化

Introduce

解决问题：

• 低层级的特征对于大型实例识别很有用， 最高层级特征和较低层级特征之间的路径长
• 每个建议区域都是基于 从一个特征层级池化 得到的 特征网格而预测的，此分配是启发式的。由于其它层级的丢弃信息可能对于最终的预测还有用，这个流程还有进一步优化的空间
• mask 预测仅在单个视野上执行，无法获得更加多样化的信息

改进

• 缩短信息路径和用低层级的准确定位信息增强特征金字塔，创建了自下而上的路径增强
• 为了恢复每个建议区域和所有特征层级之间被破坏的信息，作者开发了适应性特征池化（adaptive feature pooling）技术

可以将所有特征层级中的特征整合到每个建议区域中，避免了任意分配的结果。

• 全连接融合层：使用一个小型fc层用于补充mask预测

Augmented Bottom-up Structure

改动原因：

• low-level的feature是很利于定位用的，虽然FPN中P5也间接得有了low-level的特征，但是信息流动路线太长了如 红色虚线 所示 (其中有 ResNet50/101很多卷积层 )

• 本文在 FPN 的 P2-P5 又加了 low-level 的特征，最底层的特征流动到 N2-N5 只需要经过很少的层如绿色需要所示 (仅仅有几个降维 [3×3 ,stride 2 ]的卷积)

以ResNet作为基础结构，使用 $P_2,P_3,P_{}$