c++可达矩阵_加州大学提出：实时实例分割算法YOLACT，可达33 FPS/30mAP！现已开源！...-CSDN博客

Summary：加州大学提出：实时实例分割算法YOLACT，可达33 FPS/30mAP！现已开源！
编辑：Amusi
Date：2019-04-16
微信公众号：CVer 和 OpenCV大本营
原文链接：加州大学提出：实时实例分割算法YOLACT，可达33 FPS/30mAP！现已开源！

前戏

最近实例分割方向，出了很多paper，CVer也立即跟进报道（点击可访问）：

CVPR2019 | 超越Mask R-CNN！华科开源图像实例分割新方法MS R-CNN

本文要介绍一篇很棒的实时实例分割论文：YOLACT，该论文是由加利福尼亚大学提出。截止2019年4月16日，据Amusi所了解，上述MS R-CNN应该是实例分割（Instance Segmentation）mAP 最高的算法；而本文 YOLACT 是实例分割中最快的算法（即FPS最大）。难能可贵都是这两篇paper，都已经开源！

注：YOLACT应该是Amusi了解到的第一个又快又好的实例分割算法，如果你有发现比这两个算法还fancy的paper，欢迎后台留言进行补充。

简介

《YOLACT: Real-time Instance Segmentation》

arXiv: https://arxiv.org/abs/1904.02689

github: https://github.com/dbolya/yolact

作者团队：加利福尼亚大学

注：2019年04月05日刚出炉的paper

Abstract：我们提出了一个用于实时实例分割的简单全卷积模型，在单个Titan Xp上以33 fps在MS COCO上实现了29.8 mAP，这比以前的任何算法都要快得多。此外，我们只在一个GPU上训练后获得此结果。我们通过将实例分割分成两个并行子任务：（1）生成一组原型掩膜（prototype mask）；（2）预测每个实例的掩膜系数（mask coefficients）。然后我们通过将原型与掩模系数线性组合来生成实例掩膜（instance masks）。我们发现因为这个过程不依赖于 repooling，所以这种方法可以产生非常高质量的掩模。此外，我们分析了 the emergent behavior of our prototypes，并表明他们学会以 translation variant manner 定位实例，尽管是完全卷积的。最后，我们还提出了快速NMS（Fast NMS），比标准NMS快12 ms，只有一点点性能损失。

正文

背景

先介绍一下为什么叫YOLACT，因为其全称为：You Only Look At CoefficienTs。这里应该是致敬YOLO。

原作者在论文中引用了YOLOv3中的这句话，“Boxes are stupid anyway though, I’m probably a true believer in masks except I can’t get YOLO to learn them.”

注：日常催更，YOLOv4该来了吧！

本文算法（YOLACT）

YOLACT的目标是将掩模分支添加到现有的一阶段（one-stage）目标检测模型，其方式与Mask R-CNN对 Faster-CNN 操作相同，但没有明确的定位步骤（如，feature repooling）。为此，我们将实例分割的复杂任务分解为两个更简单的并行任务，这些任务可以组合以形成最终的掩码。第一个分支使用FCN生成一组图像大小的“原型掩码”（“prototype masks），它们不依赖于任何一个实例。第二个向目标检测分支添加额外的 head 以预测用于编码原型空间中的实例表示的每个 anchor 的“掩模系数”（“mask coefficients）的向量。最后，对经过NMS后的每个实例，我们通过线性组合这两个分支的工作来为该实例构造掩码。

YOLACT将问题分解为两个并行的部分，利用 fc层（擅长产生语义向量）和 conv层（擅长产生空间相干掩模）来分别产生“掩模系数”和“原型掩模” 。然后，因为原型和掩模系数可以独立地计算，所以 backbone 检测器的计算开销主要来自合成（assembly）步骤，其可以实现为单个矩阵乘法。通过这种方式，我们可以在特征空间中保持空间一致性，同时仍然是一阶段和快速的。

1 原型生成（Prototype Generation）

本文将 protonet 实现为FCN，其最后一层有k个 channels（每个原型一个）并将其附加到 backbone 特征层

2 掩膜系数（Mask Coefficients）

典型的基于Anchor（anchor-based）的目标检测器在其预测 head 中具有两个分支：一个分支用于预测 c 类置信度（confidences），另一个分支用于预测 4 个边界框回归量。对于掩模系数预测，本文简单地添加并行的第三个分支，其预测 k 个掩模系数，一个对应于每个原型。因此，不是每个 anchor 产生4 + c个系数，而是产生4 + c + k。