参考
https://blog.csdn.net/jiaoyangwm/article/details/89176767
https://blog.csdn.net/wh8514/article/details/105520870/
Introduction
You Only Look At CoefficienTs
优势:
快速
高质量mask,并未通过pooling损失之类
高泛化,可以换任务目标检测
method
YOLACT将实例分割分为两个并行任务:
1)针对整幅图像生成模板mask
2)对每个实例预测一系列的mask系数
对每个实例,将模板mask和预测的相应系数进行线性组合,并与预测的box进行裁剪。
理解:模板mask(Protonet),可以看成被用来在空间中定位实例
线性系数(mask confidents)及其对应的检测分支,可以看成被用来识别单个物体的类别
以这种方式进行实例分割,主要是因为掩模在空间上是相关的,也就是像素距离越近,越可能是一个实例的某一部分。
然而卷积层可以很好的从这些相关性中提取出特征,全连接层却不能。这就出现了一个问题,因为单级