残云墨雪

论文：SOLOv2: Dynamic, Faster and Stronger代码：https://github.com/WXinlong/SOLO摘要主要提出了作者在SOLOv2中实现的优秀的实例分割方法，旨在创建一个简单、直接、快速的实例分割框架：通过提出动态学习对象分割器的mask head，使mask head依赖于位置。具体来说，将mask branch分解为mask kernel branch和mask feature branch，分别负责学习卷积核和卷积特征 – mask lear

Dice Loss参考：https://blog.youkuaiyun.com/l7H9JA4/article/details/108162188Dice系数： 是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围为[0,1]。s=2∣X∩Y∣∣X∣+∣Y∣s = \frac{2|X ∩ Y|}{|X|+|Y|}s=∣X∣+∣Y∣2∣X∩Y∣​|X⋂Y| 是指 X 和 Y 之间的交集；|X| 和 |Y| 分别表示 X 和 Y 的元素个数. 分子乘为了保证分母重复计算后取值范围在[0,1]之间

摘要提出一种新的实例分割方法。与语义分割等其他密集预测任务相比，实例分割的难度要大得多。为了预测每个实例的掩码，主流方法要么遵循“detect-then-segment”的策略，如Mask R-CNN所使用的策略，要么先预测嵌入向量，然后使用聚类技术将像素分组到单个实例中。通过引入“实例类别”的概念，文章从一个全新的角度来看待实例分割的任务，它根据实例的位置和大小为实例中的每个像素分配类别，从而很好地将实例掩码分割转化为一个可分类的问题。将实力分割分解为两类任务。文章提出的框架在精确度上优于最近的单点实例

Paper：UNet++: A Nested U-Net Architecture for Medical Image Segmentationu-net网络的基本拓扑结构目前最先进的图像分割模型是各种个同样的 encoder-decoder架构，他们具有一个关键的相似性：skip connections，它可以将编码器子网络的深度、语义、粗粒度的特征映射与来自编码器子网络的浅层、低级、细粒...

U-net网络简单说一下网络图中各项所代表的内容：蓝/白色框表示feature map(特征图)蓝色箭头表示3x3卷积，主要用于特征提取灰色箭头表示skip-connection（跳跃连接，通常用于残差网络中）,在这里是用于用于特征融合，其中copy and crop中的copy就是concatenate而crop(剪切图像)是为了让两者的长宽一致红色箭头表示池化 pooling，用于...