【学习笔记5】⭐Polar Mask

---

前言

之前的笔记1-Fast-RCNN、笔记2-FCN、笔记3-Mask R-CNN、笔记4-FCOS其实都是为这一篇做的基础准备。如果需要，可以点击进行阅读。

一、实例分割的建模方法

简单来说，实力分割的方法可以分为像素级的建模和轮廓建模。下图中b就是像素级的分割，典型例子有Mask-Rcnn。而c、d则是轮廓建模。其中polar mask就属于d类的轮廓建模。

二、特点

1. anchor free and bbox free(无需检测框)
2. fullyconvolutional network（全卷积网络）
3. 和Fcos相比，简单来说就是把4根线换成了36根线。

三、网络结构

第一部分是backbone + fpn模型，其次是head部分，我们把fcos的bbox分支替换为mask分支，仅仅是把channel=4替换为channel=n, 这里n=36，相当于36根射线的长度。同时我们提出了一种新的Polar Centerness 用来替换FCOS的bbox centerness。

四、Polar Segmentation 建模

1. 输入一张原图后，经过网络可以得到中心点的位置和n(n=36 is best in our setting)根射线的距离。
2. 根据角度和长度计算出轮廓上的这些点的坐标，从0°开始连接这些点，最后把联通区域内的区域当做实例分割的结果。

在实验中，我们以重心为基准，assign到feature map上，会在重心周围采样，作为正样本，别的地方当做负样本，训练方式和FCOS保持一致，采用Focal Loss, 在此，我们提出Polar CenterNess，用来选择出高质量的正样本，给低质量的正样本降低权重。

Polar CenterNess对应的就是FCOS中的center- ness，具体可以点击进去查看。

五、Polar centerness

d1~dn是n（36）根线的长度，如果中心点在图像中心，那么dmin→dmax，如下图所示。

六、 Polar IoU Loss

参考

https://zhuanlan.zhihu.com/p/84890413

说在最后

本文是在学习后，希望通过输出加深理解的文章，参考了很多地方，自己总结和梳理了一下，有错误烦请指正。