YOLACT:实时实例分割
提出了一种实时实例分割的全卷积模型,通过生成原型掩模和预测实例掩模系数两个并行子任务,使用线性组合的方法得到实例掩模。通过使用改进的锚点尺度和纵横比进行优化,同时引入新的快速掩模回归分支以及快速 NMS 算法,使得该模型在实时情况下能够接近于最先进的方法。
Dec, 2019
本文提出了一种实时实例分割框架 OrienMask,采用一种名为欧几里得方向的方法,通过添加一个面膜头来预测一些判别性方向地图,这些地图用于构造实例掩码,该方法在保持竞争力的准确性的情况下,已在实时条件下的测试达到 42.7fps.
Jun, 2021
本文提出一种简单、直接、快速的实例分割框架,其主要创新点是动态地学习对象分割器的掩码头(mask head),并引入了 Matrix NMS 来显著减少 NMS 导致的推理时间开销。该方法在速度和准确率上优于当前最先进的方法,在对象检测和全景分割等任务中也表现出良好的性能。
Mar, 2020
本文研究实例分割中的基于查询的模型,并介绍了一种名为 FastInst 的简单且有效的查询框架,它可以在超过 40AP 的同时以实时速度执行(即 32.5 FPS)
Mar, 2023
本文提出了一种实时实例分割的概念性新颖、高效并且完全卷积的框架。该框架采用了一种新的目标表示方法 —— 稀疏的实例激活图,通过聚合特征识别和分割前景对象,在一对一的模式下预测物体,避免后处理中的非极大值抑制。该方法在 COCO 基准测试中实现了 40 FPS 和 37.9 AP,速度和准确性均得到显著提高。
Mar, 2022
提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重,在相同参数和 FLOPs 数量下,优于最近的实时目标检测器,包括 YOLO-v7 和 RTMDet。
Aug, 2023
本文提出了一种新的旨在优化实例分割方法的卷积神经网络,该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合,并能够学习每个实例的注意力图,并且具有较快的推理速度,其可以与最先进的一阶段检测框架轻松集成,同时在相同训练计划下优于 Mask R-CNN,并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2% mAP,其简单易用而且强大,可用于一系列实例化任务。
Jan, 2020
提出了实时全景分割框架 YOSO,通过动态卷积预测掩模,采用特征金字塔汇聚器进行特征图提取,并采用可分离动态解码器进行全景核生成,具有较高的效率和精度,是首个能够与最先进模型相媲美的实时全景分割框架。
Mar, 2023
本文提出了一种快速准确的单阶段实例分割方法,通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务,并从物体中心点的表示中采用局部形状信息,成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法,达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外,相较于所有其他单阶段实例分割方法,该方法精度更高,在其它单阶段物体检测器中也表现良好,显示了 CenterMask 的泛化能力。
Apr, 2020
本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络,该网络采用参数自由的掩码构建方法,大大降低了计算复杂度,实现了高效的实时性能,并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。
Dec, 2019