论文标题：PolarMask++: Enhanced Polar Representation for Single-Shot Instance Segmentation and Beyond

论文链接：https://arxiv.org/abs/2105.02184

代码链接：https://github.com/xieenze/PolarMask

作者单位：香港大学 & 南京大学 & 香港中文大学

表现SOTA！性能优于YOLACT、TensorMask等网络，代码即将开源！

减少实例分割pipeline的复杂性对于实际应用至关重要。这项工作通过引入称为PolarMask的anchor-box free和single-shot 实例分割框架来解决此问题，该框架重新构造了实例分割问题，以预测极坐标中的物体轮廓，并具有许多吸引人的好处。 （1）极坐标表示将实例分割（蒙版）和目标检测（边界框）统一到单个框架中，从而降低了设计和计算复杂性。 （2）精心设计了两个模块（即软极性中心和极性IoU损失）以采样高质量的中心示例并优化极性轮廓回归，从而使PolarMask的性能不依赖于边界框的预测结果，因此变得更加高效训练中。 （3）PolarMask是完全卷积的，可以轻松地嵌入大多数现成的检测方法中。为了进一步提高框架的准确性，引入了改进的特征金字塔，以进一步改善称为PolarMask++的不同比例的特征表示。大量的实验证明了PolarMask和PolarMask ++的有效性，它们在具有挑战性的COCO数据集中的实例分割上通过单模型和单尺度训练和测试获得了竞争性结果，并且在旋转文本上获得了最新的最新结果检测和细胞分割。我们希望提出的极坐标表示法可以为设计解决一阶段实例分割的算法提供新的视角。

内容中包含的图片若涉及版权问题，请及时与我们联系删除