CenterMask CVPR2020
参考1
参考2
高效率、高mAP的实例分割模型
https://github.com/youngwanLEE/centermask2
https://arxiv.org/abs/1911.06667
创新:
- 添加空间注意引导掩模(SAG-Mask)分支到anchor-free目标检测器(FCOS),SAG-Mask分支在每个检测到的盒子上预测一个分割掩码,这有助于关注信息像素和抑制噪声
- 新的backbone:VoVNetV2,有残差连接,使用eSE处理通道信息丢失问题。
- 设计了CenterMask and CenterMask-Lite,分别针对大、小模型。
结构
1.backbone+FPN提取特征
2.FCOS目标检测
3.SAG-Mask head输出掩膜
Adaptive ROI Assign Function自适应的RoI分配机制
由于RoI是从特征金字塔网络(FPN[21])中不同层次的特征图中预测的,提取特征的RoIAlign[9]应该在RoI尺度的不同尺度上进行分配。
Mask R-CNN使用下面的公式(向下取整)决定特征图的分配,不适用于centermask,1)在原始的FPN网络中使用的特征是从P2到P5 ,而在文章使用的一阶段网络中使用的是P3 到P72)上面参数中的224是源自于ImageNet,这个对于其它尺寸的输入图片还按照这个尺寸进行分配就显得不是很合理,并没有和输入的尺度相关联起来;
So,使用下面这个,向上取整
- Eq2.会根据输入/RoI面积的比值自适应地分配RoI池尺度
- kmax=P5,kmin=P3。
- 如果k低于最低水平(如P3),则将k夹在最低水平
- 如果一个RoI的面积大于输入区域的一