UniInst: 端到端实例分割的独特表示

May, 2022

UniInst: 端到端实例分割的独特表示

UniInst: Unique Representation for End-to-End Instance Segmentation

Yimin Ou, Rui Yang, Lufan Ma, Yong Liu, Jiangpeng Yan...

TL;DR提出了一种基于 UniInst 的全新实例分割框架，该框架采用了 “只产生一个表征” 的实例感知一对一分配方案（OYOR），消除了传统方法中存在的冗余表征问题，并将预测重排策略与框架相结合，以使得学习到的表征更有辨别能力。结果，该框架在 COCO test-dev2017 数据集上取得了 39.0 mask AP 和 40.2 mask AP 的竞争优势，并在 OCHuman 跑步车上表现稳健。

Abstract

Existing instance segmentation methods have achieved impressive performance but still suffer from a common dilemma: redundant representations (e.g., multiple boxes, grids, and anchor points) are inferred for one instance, which leads to multiple duplicated predictions. Thus, mainstream

instance segmentation uniinst one-to-one assignment prediction re-ranking mask quality

发现论文，激发创造

实例作为查询

提出一种 QueryInst 方法，以查询为基础进行实例分割，其实现是通过在动态掩模头上进行并行监督。经过各种实验后，QueryInst 在实例分割和视频实例分割（VIS）任务上达到了最佳表现，在所有在线 VIS 方法中取得了最佳性能并达到适当的速度 - 准确度平衡。

May, 2021

FastInst：一种简单的基于查询的实时实例分割模型

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

BoxInst：基于 Box Annotations 的高性能实例分割

本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在 COCO 数据集上实现了优秀的实验结果。

Dec, 2020

为无监督视觉表示学习训练一百万类别的实例分类器

该研究提出了一种简单的无监督视觉表示学习方法，使用参数化的实例级分类器来区分数据集中的所有图像作为前提任务。这种方法解决了大规模训练的困难，并提供了一种相似度先验，以在多个视觉任务中实现了竞争性的性能表现。

Feb, 2021

YOLACT：实时实例分割

本研究提出了一种利用生成一组原型掩码和预测每个实例掩码系数的并行子任务的方法，进而实现在一台 Titan Xp 上每秒 33.5 帧且仅在一台 GPU 上进行训练即可在 MS COCO 上达到 29.8 mAP 的实时实例分割的全卷积模型，并且进一步通过分析原型的紧急行为和提出一个只有 12 ms 更快的可替换的 Fast NMS 来优化模型。

Apr, 2019

基于点的实例分割 (PointINS)

本文提出了一种基于 Point-of-Interest 特征的实例分割方法，将面具表示学习任务分解为实例感知权重和实例不可知特征两个可处理的模块。在 RetinaNet 和 FCOS 基础上建立的 PointINS，在 COCO 数据集上实现了 38.3 的面具平均精度（mAP），并且比现有的基于点的方法具有更高的性能。

Mar, 2020

动态实例化网络的像素级实例分割

该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

Apr, 2017

基于提议的实例级目标分割的网络

本文提出了一个 Proposal-Free Network (PFN)，通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割，并结合聚类方法，取得了显著的实例级对象分割表现，与最先进的算法相比在 PASCAL VOC 2012 上的 $AP^r$ over 20 类在 0.5 交并比下从 43.8％增加到 58.7％。

Sep, 2015

YOLACT++：更好的实时实例分割

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

实例敏感的全卷积网络

本文介绍了一种基于全卷积神经网络 (FCNs) 的实例级分割算法，通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。

Mar, 2016