如何打造平台seo外包团队
实例分割算法BlendMask
论文地址：https://arxiv.org/abs/2001.00309
github代码：https://github.com/aim-uofa/AdelaiDet
我的个人空间：我的个人空间
密集实例分割
密集实例分割主要分为自上而下top-down与自下而上bottom-up两类方法：
Top-down方法
top-down方法主要表现为先检测后分割，先通过一些方法获得box区域，然后对区域内的像素进行mask提取，比如著名的Mask-RCNN就是top-down方法。
这种模型一般有以下问题：
- 特征和mask之间的局部一致性会丢失
- 冗余的特征提取，不同的bbox会重新提取一次mask
- 由于使用了缩小的特征图卷积，位置信息会损失
Bottom-up方法
bottom-up方法将整个图进行逐像素的预测（per-pixel prediction），然后按照聚类等方法，对每个像素做embedding，最后group出不同的instance。虽然保留个更好的低层特征，但是效果一般略差于top-down方法。
这种模型一般存在以下问题：
- 严重依赖逐像素预测的质量，容易导致非最优的分割
- 由于mask在低维度提取，对于复杂场景的分割能力有限
- 需要复杂的后处理方法
混合方法
BlendMask主要结合了top-down与botton-up两种思路，利用t-d方法生成实例级别的高维信息（如bbox），利用b-u方法生成per-pixel的预测进行融合。基于FCOS，融合的方法借鉴FCIS（裁剪）与YOLACT（权重加法）的思想，提出了blender模块，更好的将实例级别的全局信息与提供细节的底层特征融合。
总体思路
整体架构如上图所示，包含一个detector模块与BlendMask模块。detector模块直接采用的FCOS，BlendMask模块分为三部分：
- Bottom Module：对底层特征进行处理，生成的score map称为Bases
- Top Layer：串联在检测器的box head上，生成Base对应的top level attention
- Blender：将Bases与attention融合
Bottom Module
采用Deelpabv3+的decoder，包含两个输入，一个低层特征一个高层特征，对高层特征进行上采用后与低层特征融合输出，
bottom输出的feature特征为：(N * K * H/s * W/s)，N为channel，K为bases的数量，(H,W)为输入的size，s为scroe的步长。
Top Layer
在检测的特征金字塔的每一层后都加了一层卷积，用来预测top-level attentions(A)，输出的特征为：(N * (K*M*M)) * H_i * W_i)，M*M为attention的分辨率，即对应的base的每个像素点的权重值，包含的粒度更细。
Blender
Blender的输入为bottom的输出B、top-level的输出attentions(A)和bbox§，该部分的融合如下：
-
使用RoiPooler来裁取每个bbox对应的区域，并resize成固定的RxR大小的特征图。训练时直接使用ground truth bbox作为propasals，而在推理时直接用FCOS的结果
-
attention的大小M是比R小的，因此需要插值，这里采用的双线性插值，从MxM变为RxR
-
接着插值完的attention进行softmax，产生一组score map
-
对每个r_d和对应的s_d进行逐像素的相加，最后将K个结果相加得到m_d
可视化的blender过程：
