Semantic Instance Segmentation with a Discriminative Loss Function

1、优点

    1）不依赖proposal，避免了detect-and-segment方法的弊端，有利于遮挡物体的检测

    2）擅长区分高度相似的物体（不擅长形态各异的物体）

2、方法

        1）pixel embedding（语义分割框架）

        预测每个pixel处的representation（n维向量），使得同一个instance的向量距离较近，不同instance的向量距离较远

        2）后处理

        mean-shift聚类

3、discriminative loss

        

        1）公式

        

            a）variance term

            惩罚相同的instance的large distance

            * 距离以内的像素不惩罚，hinged

            

            b）distance term

            惩罚不同instance的平均embedding之间的small distance（节省计算时间和计算量）

            * 距离以外的像素不惩罚，hinged

            

            c）regularization term

            让所有的cluster尽可能靠近原点，使得激活值是有界限的

            

        2）设置，则任意点与相同instance的其他点之间的距离 > 与不同instance的其他点之间的距离