PANET

PANET主要有如下四点贡献:

(1)从底到上的通道连接加强:
对大尺度的实例分割有较好的增强效果
证明了浅层特征的有用

(2)自适应的特征池化
为每一个proposal在各个特征层上面抽取特征,然后将他们融合在以前,这一过程被称为自适应池化。
这里使用max融合。
不同层的特征对最终的精确预测都是有帮助的。

有没有从底到上的通道连接加强,自适应的特征池化都会提高效果
在最终的预测中,其他特征层也是有用的


(3)全连接的融合
将fc层与只有两倍下采样的FCN进行融合,因为fc中每个像素的感受野是整个proposal,而FCN中的每个像素只能感受局部的感受野,所以在位置精确程度上fc要比FCN有优势;


全连接的特征融合使得实例分割的效果提升0.7%
对所有尺度的实例分割都有效

(4)更重的头部结构
对多任务来说,更重的头部结构对结果有改善;对单独的检测或实例分割来说没有明显的效果


使用上面四点,比原版的mask-rcnn的实例分割提高4.4%,目标检测提高4.2%
小尺度与中等尺度的实例贡献最大

你可能感兴趣的:(Deep,Learning)