【图像分割】开源 | 阿德莱德大学&东南大学&华为--BlendMask用于实例预测任务，超越Mask R-CNN！

论文地址： https://arxiv.org/pdf/2001.00309.pdf

代码： https://git.io/AdelaiDet

来源： 阿德莱德大学，东南大学，华为诺亚方舟实验室

论文名称：BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation

原文作者：Hao Chen

内容提要

实例分割是最基本的视觉任务之一。最近，全卷积实例分割方法受到了广泛的关注，因为它们通常比Mask R-CNN等两阶段方法更简单、更有效。到目前为止，在模型计算复杂度相似的情况下，几乎所有这些方法的掩模精度都落后于两阶段Mask R-CNN方法，存在很大的改进空间。在本文中，通过有效地结合实例级信息和较低级别细粒度的语义信息，对掩码预测进行了改进。本文主要的贡献是一个blender模块，它从自顶向下和自底向上的实例分割方法中获得灵感。本文提出的BlendMask用很少的通道，就可以有效地预测密集的每个像素敏感位置的实例特征，并通过一个卷积层学习每个实例的注意力映射，从而提高推理速度。BlendMask可以很容易地与SOTA的单级检测框架合并，在相同的训练计划下比Mask R-CNN快20%。一个轻量级版本的BlendMask在1080Ti GPU卡上以25帧/秒的速度获得了34.2% mAP。由于BlendMask的简单性和有效性，我们希望它可以作为一个简单而强大的基线，用于广泛的实例预测任务。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。