概述:
受到自上而下实例分割方法和自下而上方法的启发,先通过FCOS提取细节特征,然后结合FCIS和YOLACT提出Blender模块融合特征。
Introduction
对最有可能的感兴趣区域(RoIs)进行密集的预测。分别介绍自上而下和自下而上的局限性。作者将这种方法结合,具体是利用裁剪手段(FCIS)或加权和(YOLACT)将其与逐像素点的预测结合起来。其次我们工作的重点之一是研究如何在完全卷积实例分割中更好地合并高层和低层特征。
优势:
- 比FCIS 和TOLACT效果好1.3和1.9
- 使用单阶段目标检测,速度快,比maskrcnn速度快,准确率高
- 达到全卷积实例分割最高分,比tensormask高1.1
- 可以解决全景分割
- 输出的mask分辨率高,不严格绑定到FPN上,不局限于28*28,边缘效果更好
Related
- 无anchor检测器优势明显,没有了 anchors,我们就可以给 top-level 的实例预测模块更重的任务,而不会带来整体计算量的增加
- 双阶段的优势是有ROIAlign提供了局部一致性,但是推理速度会被实例数量影响,且roi和mask的分辨率有限。为了解决这些问题,在FCIS中 在检测网络中增加了一个底部模块,预测位置敏感得分图,该得分图被所有的实例共享;在 YOLACT 中除了边框预测之外,它也学习一组掩码系数。然后这些系数指导裁剪区域的掩码 bases 进行线性组合,生成最终的掩码。BlendMask则