1. 概述

介绍：这篇文章描述的是单阶段的实例分割算法，类似与SOLO模型将不同的实例编码到channel和动态卷积参数中一样，这篇文章借鉴的是动态卷积参数去独立表征每个实例mask。回顾之前的两阶段实例分割算法（以Mask RCNN）为代表其存在如下的一些问题：1）该方法通常会根据RoI box使用RoI Align的策略将特征图实现对齐与抠取，但是在一些情况下会引入较多背景区域的干扰，特别是对于存在旋转的目标（现在也有针对旋转目标的检测算法，但是其更加复杂）；2）为了更好区分前景和背景往往分割网络需要较大的感受野，因而在Mask RCNN算法中会堆叠多个kernel为

3

∗

3

3*3

$3 * 3$ 的卷积，这样带来的问题就是耗时会增加；3）实例分割对目标的边界是比较敏感的，在Mask RCNN中统一会将其分辨率压缩到

28

∗

28

28*28

$28 * 28$ ，这显然不利于细节信息的表达；而直接使用分割算法却无法感知不同目标的外观信息与定位信息，导致实例分割的效果不佳。对此文行引入Conditional卷积，为每一个满足训练要求的实例生成对应的预测参数，从而实现在分割框架下完成实例分割。

这里将文章的方法与之前的一些实例分割方法进行对比，见下图：
在这里插入图片描述

2. 方法设计

2.1 整体pipeline

文章方法的流程图见下图所示：
在这里插入图片描述
通看文章的方法，其是建立在FCOS算法之上的，主要的区别有两点：

1）在原有分类、box回归、center-ness分支上增加了一个预测动态卷积参数的controller模块，其生成169个channel的特征；
2）在FPN网络输出P3部分增加Mask-branch，生成用于实例mask预测的 $F_{mask} Fmask特征，该特征之后会concat上相对位置结合动态卷积参数生成每个实例的预测mask；$

上述内容中

F_{mask}

$F_{m a s k}$ 生成过程中包含的layer_nums和channels对整体分割性能和速度的影响见下表：
在这里插入图片描述
最后生成

F_{mask}

$F_{m a s k}$ 的时候其channel数量对性能的影响见下表（channel数为8也能达到不错的效果）：
在这里插入图片描述

2.2 实例预测过程

在上面提到动态参数channel维度是169维度的，其实这169维度里面是包含了3个动态卷积的参数的，其decode过程（也是实例分割预测的过程）可以描述为下面的这一段代码：

# fcos/modeling/fcos/fcos_outputs.py#L366
def forward_for_mask(self, boxlists):
    N, dim, h, w = self.masks.shape
    # 生成位置坐标
    grid_x = torch.arange(w).view(1, -1).float().repeat(h, 1).cuda() / (w - 1) * 2 - 1
    grid_y = torch.arange(h).view(-1, 1).float().repeat(1, w).cuda() / (h - 1) * 2 - 1
    x_map = grid_x.view(1, 1, h, w).repeat(N, 1, 1, 1)
    y_map = grid_y.view(1, 1, h, w).repeat(N, 1, 1, 1)
    # 将相对坐标位置与mask_feat组合
    masks_feat = torch.cat((self.masks, x_map, y_map), dim=1)  # [N, 10, h, w]
    o_h = int(h * self.strides[0])
    o_w = int(w * self.strides[0])
    for im in range(N):  # 遍历每张图片
        boxlist = boxlists[im]
        input_h, input_w = boxlist.image_size
        mask = masks_feat[None, im]
        ins_num = boxlist.controllers.shape[0]
        # [inst_num*8, 10, 1, 1]
        weights1 = boxlist.controllers[:, :80].reshape(-1, 8, 10).reshape(-1, 10).unsqueeze(-1).unsqueeze(-1)
        # [inst_num*8]
        bias1 = boxlist.controllers[:, 80:88].flatten()
        # [inst_num*8, 8, 1, 1]
        weights2 = boxlist.controllers[:, 88:152].reshape(-1, 8, 8).reshape(-1, 8).unsqueeze(-1).unsqueeze(-1)
        # [inst_num*8]
        bias2 = boxlist.controllers[:, 152:160].flatten()
        # [inst_num, 8, 1, 1]
        weights3 = boxlist.controllers[:, 160:168].unsqueeze(-1).unsqueeze(-1)
        # [inst_num]
        bias3 = boxlist.controllers[:, 168:169].flatten()

        conv1 = F.conv2d(mask, weights1, bias1).relu()  # 普通卷积
        conv2 = F.conv2d(conv1, weights2, bias2, groups=ins_num).relu()  # 分组卷积
        masks_per_image = F.conv2d(conv2, weights3, bias3, groups=ins_num)  # 分组卷积

参与预测实例分割的特征图stride对于最后分割性能的影响见下表：
在这里插入图片描述

2.3 损失函数

对于mask部分的损失，只会将满足置信度和NMS要求的实例参与到最后mask求取过程，则实例分割部分的损失函数描述为：

(

{

}

)

∑

{

∗

}

(

;

)

∗

)

L_{mask}(\{\theta_{x,y}\})=\frac{1}{N_{pos}}\sum_{x,y}\mathcal{1}_{\{c_{x,y}^*\gt0\}}L_{dice}(MaskHead(\bar{F}_{x,y};\theta_{x,y}),M_{x,y}^*)

$L_{m a s k} ({θ_{x, y}}) = \frac{1}{N _{p o s}} x, y \sum 1_{{c_{x, y *} > 0}} L_{d i c e} (M a s k H e a d (F ˉ_{x, y}; θ_{x, y}), M_{x, y *})$
总的损失函数为：