每天一篇论文 366~372 一周总结

1.Deep Snake for Real-Time Instance Segmentation

Code

  该模型能够达到上述效果的两个原因是：

该方法能够处理目标检测模型定位错误的问题所以只需要结合一个轻量级的目标检测模型即可。
基于contour的分割比基于pixel-based的分割具有更少的参数，而且没有Decoder过程。
  为了增加算法的鲁棒性，DeepSnake算法把传统的对于contour坐标来手工定义能量的snake算法改为了Data-driven manner的算法即基于学习的方法。

该文章灵感来自于snake和Fast interactive object annotation with curve-gcn，最后结合了objects as points作为目标检测定位中心点的算法
  

graph convolutional network

采用传统snake算法中的变形算法，训练神经网络来进化初始轮廓以匹配目标边界。给定一个具有图像特征的轮廓，将输入轮廓视为一个图，利用图卷积网络（GCN）预测轮廓点与目标边界点之间的顶点偏移量。与基于像素的方法相比，该方法在速度上具有竞争力。

objects as points

Objects 在anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点。
https://zhuanlan.zhihu.com/p/66048276