Mask Scoring R-CNN
- Mask评分R-CNN
- CVPR 2019 oral
- paper
这篇论文中,作者提出了一种对Mask评分的新的方法,用于解决Mask RCNN中没有针对Mask进行评分从而影响实例分割的准确性这一问题。在Mask R-CNN模型中,在实例分割任务里,虽然输出结果是一个Mask,但打分却是和边界框目标检测(bounding-box object detection)共用的评分,都是针对目标区域分类的置信度算出来的分数。这个分数与实际的Mask结果可能并不一致,可能需要一个针对Mask的打分算法,来评价目标识别中的Mask预测质量。如下图所示,由于背景杂波、遮挡等问题,分类分数可能较高,但Mask质量较低,实际上,这样的分类分数对Mask进行打分会降低评价结果。
MaskIoU
为了重新定义这一问题,作者提出了一个MaskIoU的概念,就是实例分割利用预测Mask与Groud Truth Mask之间的像素级IoU来描述实例分割质量,提出了一种直接学习IoU的网络,这个IoU被称作MaskIoU。
在提出MaskIoU这一概念后,作者就对现有的Mask RCNN框架中的Mask评分与MaskIoU