Abstract
神经网络中信息传递的方式很重要。本文提出 PANet 网络来增强 proposal-based 实例分割的信息流。具体的,提出bottom-up path augmentation,adaptive feature pooling和complementary branch。
1.Introduction
Mask R-CNN是一个简单有效的实例分割模型,FPN通过一个具有侧连接的top-down path来传递高级语义特征,并层级提取内部特征。Dense connection,Residual connection,split-transform-merge等模型策略都十分有效。
Our Finding: 我们发现Mask RCNN 中的信息流还可以优化。具体来说,低级的特征对large instance的识别有帮助,但是从底层到高层的path太长以至于很难得到精确的位置信息(广义的位置信息,包括定位和轮廓信息)。每一个proposal都对应于一个feature level。这可能会丢失其他level的信息。
Our Contributions: 首先,提出一个bottom-up path来缩短information path,通过低层次具有的精确地位置信息来增强特征金字塔。其次,提出adaptive feature pooling 来恢复proposal 和 all feature levels 之间破损的信息。最后,提出一个fc分支和FCN分支融合,共同预测mask.
2.Related Work
Instance Segmentation: Two stream for instance segmentation,一种是 proposal-based,一种是segmentation-based
Multi-level Features:</