Abstract

instance segmentation主流方法

• top-down: detect-then-segment: Mask R-CNN
• bottom-up: predict embedding vectors first then use clustering techniques to group pixels into individual instances^[1]

本文工作

提出instance categories

• 给同一个instance里面的像素，分配一个类别
  • according to the instance’s location and size^[2]

Introduction

看不太懂，先放着

Our Method: SOLO

Problem Formulation

image

Semantic Category

• Category Branch：给每一个grid预测一个类别

Instance Mask

• Mask Branch： 预测Instance Mask
  • 最多: 个mask, 每一个grid,对应一个mask
  • 为什么一定要加上position信息？^[3]

Network Architecture

• Grid number may varies at different pyramids^[4]

3.3 SOLO Learning

Label Assignment

• 对于category branch：如何判定grid是positive or negtive？
  • 对于each ground truth mask，他的center region定义为区域：。如果grid fall into the center region。则grid定义为positive，否则定义为negtive。
  • 文中
  • 平均每个ground truth mask对应3个positive grid。
• 对于Mask Branch分支：每个positive grid对应一个target binary mask
  • 。如果按照row-major order^[5]: 第grid为 positive的话，那么maks branch的feature map应该对应一个target binary mask
  • 由于平均每个ground truth mask对应3个positive grid，也就有3个mask。最后NMS会去掉重叠的

Loss Function

• 
  • 为focal loss
  • 对所有positive grid对应的mask计算为Dice Loss： 解决前景比例太小的问题
    
    Dice Loss定义
    
    
    Dice Loss可视化

Inference

• 为什么会有500个mask？一个grid不是只对应一个mask吗？S取值是是多少？^[6]

4. Experiments

How SOLO Works

4.3 消融性实验

Grid number

• 为何36会下降?^[7]
• pyramid指什么?——按照目标的尺寸，对应到相应的 feature map上。而不是直接将 merge，使用单一的merge的feature map。Mask RCNN也使用了同样的方法^[8]
  
  grid number

Multi-level prediction

• 不同大小的instance，会被分配到不同的。每个的grid数目不同
  
  Multi-level prediction
• FPN结构如下：
  [站外图片上传中...(image-6c44f8-1578363442486)]

CoordConv

• Spatially variant convolution： CoordConv
  • 标准的卷积也有spatial variant property^[9]

SOLO-512

shorter image size of 512 instead of 800

5. Decoupled SOLO

减少了参数量

• 之前(a)Mask predict分支输出是, 如果grid为positive，则select到作为预测的mask，其中
• 现在decoupled的(b)Mask predict分支，输出是两个子分支。如果grid为positive，则select到X分支的和Y分支的，再进行element-wise multiplication操作

• less GPU memory & same performance

  
  
  Decoupled SOLO

6. Error Analysis

1. 先语义分割，再聚类。emhedding vector指的是softmax的输出的概率分布向量。代表性模型有 SSAP ↩

2. 如何做到的？每个instance一个类别，这样的话，类别数目不就不确定了吗？ ↩

3. 为什么要加上编码的空间信息？ ↩

4. 什么操作？ ↩

5. 自己随便定义一个映射关系可行吗？ ↩

6. 为何会有500个mask？ ↩

7. 为何grid number不是越多越好 ↩

8. pyramid指什么——solved ↩

9. 卷积的空间敏感性?《Rosanne Liu, Joel Lehman, Piero Molino, Felipe Petroski Such,
   Eric Frank, Alex Sergeev, and Jason Yosinski. An intriguing fail-
   ing of convolutional neural networks and the coordconv solution.
   In Proc. Advances in Neural Inf. Process. Syst., 2018》？ ↩