【每周CV论文】初学实例分割需要读哪些文章？-优快云博客

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

实例分割(Instance Segmentation)，不仅要预测可数目标的语义标签，还要区分个体的ID，语义标签指的是物体的类别，而实例ID则对应同类物体的不同编号，属于比较难的图像分割问题。今天就给大家推荐一些初学该领域必读的文章。

作者&编辑 | 言有三

1. Deepmask

DeepMask是一个非常早期的实例分割框架，通过滑动窗口的方式来预测图像块中的目标。虽然现在该方法的很多策略都不可取，但是大家还是应该了解。

文章引用量：较少

推荐指数：✦✦✦✧✧

[1] Pinheiro P O O, Collobert R, Dollár P. Learning to segment object candidates[C]//Advances in Neural Information Processing Systems. 2015: 1990-1998.

2. InstanceFCN与FCIS

InstanceFCN[2]是一个早期的实例分割框架，它通过引进位置敏感图来预测一个像素属于某个物体的相对位置的得分，从而实现不同实例的分割，这种思想后来被多个检测与分割框架借鉴，如FCIS[3]在此基础上引进了两类score map同时做分类与分割。

文章引用量：500+

推荐指数：✦✦✦✦✦

[2] Dai J , He K , Li Y , et al. Instance-sensitive Fully Convolutional Networks[J]. Springer, Cham, 2016.

[3] Li Y , Qi H , Dai J , et al. Fully Convolutional Instance-Aware Semantic Segmentation[C]// Computer Vision & Pattern Recognition. IEEE, 2017.

3. MaskRCNN

Mask-RCNN是一个通用的实例分割框架，在Faster RCNN框架的基础上对RPN输出的每一个RoI预测分割掩膜，从而实现实例分割。

文章引用量：500+

推荐指数：✦✦✦✦✦

[4] He K , Gkioxari G , P Dollár, et al. Mask R-CNN[C]// IEEE. IEEE, 2017.

4. YOLACT

检测框架有两阶段和一阶段，自然实例分割也分为两阶段和一阶段，YOLACT就是一个实时的实例分割框架，它通过将掩模分支添加到现有的一阶段（one-stage）目标检测模型来实现实例分割。

文章引用量：较少

推荐指数：✦✦✦✦✧

[5] Bolya D , Zhou C , Xiao F , et al. YOLACT: Real-time Instance Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, PP(99):1-1.

5. SOLO

SOLO(Segmenting Objects by Locations)是另一个非常简洁的一阶段实例分割框架，它通过提出实例类别概念(Instance Category)来表示物体的中心位置和尺寸，从而区分不同的实例。

文章引用量：较少

推荐指数：✦✦✦✦✦

[6] Wang X , Kong T , Shen C , et al. SOLO: Segmenting Objects by Locations[C]// 2020.

6. PolarMask

PolarMask是一个anchor-box的实例分割框架，它通过预测实例的轮廓而不是二值掩膜来实现分割，将实例分割问题转化为实例中心点分类(instance center classification)问题和密集距离回归(dense distance regression)问题。

文章引用量：较少

推荐指数：✦✦✦✦✧

[7] Xie E , Sun P , Song X , et al. PolarMask: Single Shot Instance Segmentation With Polar Representation[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020.

文章细节众多，阅读交流在有三AI知识星球中进行，感兴趣可以加入。

有三AI知识星球