YOLACT : 首个实时one-stage实例分割模型,29.8mAP/33.5fps | ICCV 2019

论文巧妙地基于one-stage目标检测算法提出实时实例分割算法YOLACT,整体的架构设计十分轻量,在速度和效果上面达到很好的trade-off。

来源:【晓飞的算法工程笔记】 公众号

论文: YOLACT: Real-time Instance Segmentation

Introduction


  目前的实例分割方法虽然效果都有很大的提升,但是均缺乏实时性,为此论文的提出了首个实时(\(>30fps\))实例分割算法YOLACT,论文的主要贡献如下:

  • 基于one-stage目标检测算法,提出实时实例分割算法YOLACT,整体的架构设计十分轻量,在速度和效果上面达到很好的trade-off。
  • 提出加速版NMS算法Fast NMS,有12ms加速

YOLACT


  YOLACT的主要想法是直接在one-stage目标检测算法中加入Mask分支,而不添加任何的RoI池化的操作,将实例分割分成两个并行的分支:

  • 使用FCN来生成分辨率较大的原型mask,原型mask不针对任何的实例。
  • 目标检测分支添加额外的head来预测mask因子向量,用于对原型mask进行特定实例的加权编码。

  这样做的原理在于,mask在空间上是连续的,卷积能很好地保持这种特性,因此原型mask通过全卷积生成的,而全连接层虽然不能保持空间连贯性,但能很好地预测语义向量,于是用来生成instance-wise的mask因子向量,结合两者进行预测,既能保持空间连贯性,也能加入语义信息并保持one-stage的快速性。最后取目标检测分支经过NMS后的实例,逐个将原型mask和mask因子向量相乘,再将相乘后的结果合并输出

Prototype Generation

  原型mask分支预测\(k\)个mask,protonet按如图3的FCN形式实现,最后的卷积输出channel为\(k\),protonet接在主干网络上。整体的实现与大多数的语义分割模型类似,区别在于主干网络使用了FPN来增加网络的深度,并且保持较大的分辨率(\(P_3\), 原图1/4大小)来提高小物体的识别。另外,论文发现不限制protonet的输出是很重要的,能够让网络对十分确定的原型给予压倒性的响应(比如背景),可以选择对输出的原型mask进行ReLU激活或不接激活,论文最终选择了ReLU激活。

Mask Coefficients

  在经典的anchor-based目标检测算法中,检测head一般有两个分支,分别预测类别和bbox偏移。在此基础上添加第三个用于mask因子预测的分支,每个实例预测\(k\)个mask因子。
  为了更好地控制和丰富原型mask的融合,对mask因子进行tanh激活,使得值更稳定且有正负,效果如图2的分支。

Mask Assembly

  将原型mask和mask因子进行线性组合,然后对组合结果进行sigmoid激活输出最终的mask。\(P\)\(h\times w\times k\)的原型mask,\(C\)\(n\times k\)的原型因子,\(n\)为检测分支NMS和分数过滤后留下的实例数。

  • Losses

  训练的损失函数包含3种:分类损失\(L_{cls}\)、box回归损失\(L_{box}\)以及mask损失\(L_{mask}\),权重分别为1、1.5和6.125,分类损失和回归损失的计算与SSD一样,mask损失使用pixel-wise的二元交叉熵计算\(L_{mask}=BCE(M, M_{gt})\)

  • Cropping Masks

  在推理阶段,使用预测的bbox在最终的mask截取出实例,再使用阈值(人工设置0.5)来过滤成二值的mask。在训练的时候,则使用GT来截取实例计算mask损失,\(L_{mask}\)会除以截取的实例大小,这样有助于保留原型中的小目标。

Emergent Behavior

  一般而言,FCN做分割都需要添加一些额外的trick来增加平移可变性,比如position-sensitive特征图,虽然YOLACT唯一增加平移可变形的措施是对最终的mask进行截取输出,但是论文发现对于中大物体不截取输出的效果也不错,这代表YOLACT的原型mask学到了对不同的实例进行不同的响应,如图5所示,适当地对原型mask进行组合就能得出实例。需要注意的是全红的输入图片,其原型mask特征是各不一样的,这是由于每次卷积都会padding,使得边界存在可区分性,所以主干网络本身就存在一定的平移可变形。

Backbone Detector

  原型mask和mask因子的预测都需要丰富的特征,为了权衡速度和特征丰富性,主干网络采用类似与RetinaNet的结构,加入FPN,去掉\(P_2\)加入\(P_6\)\(P_7\),在多层中进行head预测,并用\(P_3\)特征进行原型mask预测。

  YOLACT head使用\(P_2 \sim P_7\)的特征,anchor的大小分别对应\([24, 48, 96, 192, 384]\),每个head共享一个\(3\times 3\)卷积,然后再分别通过独立的\(3\times 3\)卷积进行预测,比RetinaNet更轻量,如图4。使用smooth-\(L1\)训练bbox预测,使用带背景类的softmax交叉熵训练分类预测,OHEM正负比例为\(1:3\)

Other Improvements


Fast NMS

  正常的NMS会串行地按类别将bbox逐个校验,这种效率对于5fps的算法是足够快的,但对于30fps的算法将是很大的瓶颈。为此,论文提出Fast NMS来加速。
  首先根据类别分数对各检测结果进行排序,然后计算各自的IoU对,得到\(c\times n\times n\)的IoU矩阵\(X\)\(c\)为类别数,\(n\)为bbox数量。假设与bbox的IoU高于阈值\(t\)的其它bbox的分数高于当前框,则去掉该bbox,计算逻辑如下:

  • 将矩阵\(X\)的下三角和对角线置为0,\(X_{kij}=0, \forall k, j, i \ge j\)

  • 取每列的最大值,计算如公式2,得到最大IoU值矩阵\(K\)
  • \(K<t\)的检测结果即为每个类别保留的结果。

  通过实验,FastNMS大约能比原生的NMS快约11.8ms,mAP下降0.1

Semantic Segmentation Loss

  为了提升准确率而不影响推理的速度,在训练阶段加入语义分割分支并计算语义分割损失辅助训练。在\(P_3\)输出上接一个c维的\(1\times 1\)卷积,由于一个像素可能属于多个类别,使用sigmoid激活输出而不是softmax激活,损失的权重为1,大约能提升0.4mAP。

Results


Mask Results

Mask Quality

Ablations

CONCLUSION


  论文巧妙地基于one-stage目标检测算法提出实时实例分割算法YOLACT,整体的架构设计十分轻量,在速度和效果上面达到很好的trade-off。



写作不易,未经允许不得转载~
更多内容请关注 微信公众号【晓飞的算法工程笔记】

work-life balance.

posted @ 2020-05-07 15:02  晓飞的算法工程笔记  阅读(2578)  评论(0编辑  收藏  举报