去年下半年前主流的高精度实例分割方法主要是基于Faster RCNN网络的Mask RCNN改进方法,下半年后提出几种特殊的一阶段实例分割模型。这里主要介绍PolarMask。
1.核心思想
参考FCOS在目标检测任务中的优良表现,PolarMask提出基于中心点分类和距离回归的方法进行实例分割。中心点分类方法与FCOS类似。FCOS中距离回归只需要考虑到目标框四条边的距离。实例分割中物体的轮廓形状复杂,但PolarMask中回归方法可以视为FCOS中的拓展。以预测得到的中心点为极坐标原点,做多条射线与轮廓相交,回归的是原点到轮廓交点的距离。论文中使用36条射线。
2.网络架构
与FCOS模型类似,使用FPN作为backbone提取特征。输出层包括像素点分类层,点与中心点距离的回归层。不同的是这里回归中心点到轮廓的距离替代FCOS中回归到四条边距离。
3.实验结果
论文中在COCO基准数据集上与常用的实例分割方法进行了比较。除了Mask R-CNN模型,polarmask可以取得最高的mAP。
与常用实例分割模型相比,polarmask的模型参数量明显较少,推断速度较快。
领取专属 10元无门槛券
私享最新 技术干货