【论文笔记】：Hybrid Task Cascade for Instance Segmentation

&Title:

• Hybrid Task Cascade for Instance Segmentation

&Summary

在本篇论文中，我们提出了一种新的实例分割框架，设计了多任务多阶段的混合级联结构，并且融合了一个语义分割的分支来增强 spatial context。

关键思想是：通过在每个阶段结合级联和多任务来改善信息流，并利用空间背景来进一步提高准确性。

具体来说：我们设计了一个渐进式细化的级联管道。 在每个阶段，边界框回归和掩模预测都以多任务方式组合。 此外，在不同阶段的掩模分支之间引入直接连接 - 每个阶段的掩模特征将被嵌入并馈送到下一个阶段，如图2所示。总体设计强度 - 任务之间和跨阶段的信息流 ，导致每个阶段的更好的细化和对所有任务的更准确的预测。

总结：

• 多任务多阶段的混合级联结构
• 训练时每个 stage 内 box 和 mask 分支采用交替执行
• 在不同 stage 的 mask 分支之间引入直接的信息流
• 语义分割的特征和原始的 box/mask 分支融合，增强 spatial context

结果：单个HTC比MSCOCO数据集上强大的Cascade Mask R-CNN基线获得38.4％和1.5％的改进。此外，我们的整体系统在测试挑战分割中实现了48.6掩模AP，在COCO 2018挑战对象检测任务中排名第一。

&Research Objective

成功实例分割级联的关键是充分利用检测和分割之间的关联关系。
本文的目标就是在寻找一个可以充分利用各个之间的关系，实现实例分割级联。

注：可以理解为，在cascade R-CNN和mask R-CNN的基础上，作者想通过级联和来实现实例分割，进而找出一种最好的级联结构，来实现检测，提高mAP。