Single Shot Instance Segmentation with Polar Representation基于极坐标表示的单阶段实例分割

Single Shot Instance Segmentation with Polar Representation

基于极坐标表示的单阶段实例分割

作者：Enze Xie, Peize Sun, Xiaoge Song, Wenhai Wang, Ding Liang, Chunhua Shen, Ping Luo

期刊：CVPR（2020）

摘要

       在本文中，我们介绍了一种无锚框和单阶段实例分割方法，它在概念上很简单，完全卷积并且可以通过轻松地将其嵌入到大多数现成的检测方法中来使用。我们的方法称为 PolarMask，将实例分割问题表述为通过实例中心分类和极坐标中的密集距离回归来预测实例的轮廓。此外，我们提出了两种有效的方法来分别处理采样高质量中心示例和优化密集距离回归，这可以显着提高性能并简化训练过程。

解决问题

       不使用锚框成为热点研究方向。因为锚框有缺点：首先检测效果和锚框的长宽比、数目有很大关联，因此人们在努力提高锚框的数量，和最适合的分布方法。其次，锚框的外形是固定的，在处理较大的目标比较困难，比如飞机的两翼。同时对于小目标也不够友好。为了提高召回率，大量的锚框增加了计算量和内存占用。因此，anchor free方法的潜力成为业界最希望提高性能的目标之一。

       其次两阶段的方法，即先检测边界框，然后在每个边界框中进行分割。他们可以实现最先进的性能，但通常很慢。

网络架构

       左侧部分包含主干和特征金字塔，用于提取不同级别的特征。中间部分是分类和极掩码回归的两个头。

       基于极坐标系的方式已经将固定角度设为先验，网络只需回归固定角度的长度即可，简化了问题的难度。该模型获取输入图像，并预测从每个角度采样的正位置（实例中心的候选）到实例轮廓的距离，连通区域就是实例分割的结果。

中心点的确定：

、

       上面中间的图，会出现长度回归差别很大的问题，而右边的图中心点位置就较为合适，到所有轮廓的长度回归就较为接近，36根射线的距离会比较均衡。 Polar Centerness 可以给右边图的点较高的centerness分数，给中间图的点降低centerness分数，这样在infernece的时候右边图的点分数较高。

创新点

文献阅读笔记的翻译是来自于： 学霸视界（xbsj.cool）推荐大家使用，可以免费翻译PDF！