Self-Balanced R-CNN for Instance Segmentation

目前在实例分割任务上，最先进的两阶段模型存在几种类型的不平衡问题。本文解决了第二阶段训练中正输入感兴趣区域（RoI）的交并比（IoU）分布不平衡问题。我们的自平衡R-CNN（SBR-CNN）是混合任务级联（HTC）模型的进化版本，引入了全新的边界框和掩模细化的循环机制。通过改进通用RoI提取（GRoIE），我们还解决了特征金字塔网络（FPN）级别的特征不平衡问题，这是由于骨干层次的低层和高层特征之间的非均匀集成导致的。此外，我们的SBR-CNN模型的架构重设计向完全卷积方法的方向，使用FCC进一步减少了参数数量，并获得了更多关于任务和所使用的层之间连接的线索。此外，如果与其他最先进的模型结合使用，我们的SBR-CNN模型显示出相同甚至更好的改进。事实上，在使用轻量级ResNet-50作为骨干网络，在COCO minival 2017数据集上评估时，我们的模型在没有额外技巧的情况下，经过12个时期，目标检测和实例分割的平均精度分别达到了45.3％和41.5％。该代码可在https://github.com/IMPLabUniPr/mmdetection/tree/sbr_cnn获得。

论文旨在解决实例分割任务中正样本区域的IoU分布不均衡问题，同时解决特征金字塔网络层次间的特征不均衡问题，提出了一种自平衡的R-CNN模型。

论文提出了一种自平衡的R-CNN模型，通过改进泛化RoI提取和设计全卷积头，以及引入边界框和掩模微调的循环机制解决了实例分割任务中的IoU分布不均衡问题和特征不均衡问题。

论文的模型在COCO minival 2017数据集上使用轻量级ResNet-50作为骨干网络，在12个时期内达到了45.3%和41.5%的目标检测和实例分割AP，而无需额外的技巧。论文提出的模型还可以与其他最先进的模型结合使用，并且已经在github上开源。

近期在实例分割领域的相关研究包括：Mask R-CNN, Cascade R-CNN, Hybrid Task Cascade等。