经典论文系列| 实例分割中的新范式-SOLO

前言：

这是实例分割中的一篇经典论文，以往的实例分割模型都比较复杂，这篇论文提出了一个简单且直接的实例分割模型，如何设计这种简单直接的模型且要达到一定的精度往往会存在一些困难，论文中有很多思路或思想值得借鉴，因此十分值得一读。

在本文中，为让各个方向的读者都能看得懂并抓住重点，较为详细地介绍了本文的创新或改进思路，而对一些细节不予赘述。

 

论文：SOLO: Segmenting Objects by Locations*

代码：https://git.io/AdelaiDet

 

Introduction

实例分割需要正确分离图像中所有对象，同时还需要在像素级别对每个实例进行语义分割。最近的实例分割方法可以分类为两组，即自上而下和自下而上的范式。

第一种方法“detect-then-segment”，首先检测边界框，然后在每个边界框中分割instance mask。第二种方法通过推开属于不同实例的像素并拉近同一实例中的像素来学习亲和关系，将embedding vector分配给每个像素，然后需要进行分组后处理以分离实例。这两种范式都是step-wise的和indirect，它们要么严重依赖于精确的边界框检测，要么依赖于每个像素的embedding 学习和分组处理。

相比之下，我们的目标是在完整instance mask标注的监督下直接分割instance mask，而不是检测框内的mask或其他像素对关系。我们重新开始思考一个问题：在一张图片中，什么是目标实例之间最本质的区别呢？

作者分析了MS COCO数据集，验证子集中总共有36个，780个对象ÿ