实例分割方向论文汇总

实例分割方法分类如下

两阶段

top down

1、通过目标检测的方法找出实例所在的区域（bounding box）；

2、在检测框内进行语义分割，每个分割结果都作为一个不同的实例输出。

代表论文：

《Mask R-CNN》

《Mask scoring R-CNN》

《Path Aggregation Network for Instance Segmentation》

《Hybrid task cascade for instance segmentation》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105177894

bottom up

1、进行像素级别的语义分割；

2、通过聚类、度量学习等手段区分不同的实例。

代表论文：

 

单阶段

一种是受one-stage, anchor-based 检测模型如YOLO，RetinaNet启发。

代表论文：

《YOLACT》

《SOLO》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105170426

《SOLOv2》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105184200

一种是受anchor-free检测模型如 FCOS 启发。

代表论文：

《PolarMask》

算法：基于FCOS，通过对中心点分类，以及学习中心点到边缘的距离，FCOS为学习中心点到box四个角点的距离，polarmask论文中点数为36，间隔10度。

此方法缺点为对于中间中空的目标没办法进行很好的预测。

《AdaptIS》

《Blend Mask》

 

其他

《Deep Snake for Real-Time Instance Segmentation》

目前正在持续填坑。。。