YOLACT: 实时实例分割

论文：https://arxiv.org/abs/1904.02689

代码：https://github.com/dbolya/yolact

图 1：COCO 上各种实例分割方法的速度性能trade-off。据我们所知，我们是第一个在 COCO test-dev 上达到大约 30 个mask mAP 的实时（超过 30 FPS）方法。

0、摘要

        提出了一个简单、全卷积的实时实例分割模型，在COCO上实现29.8的mAP，在单张Titan XP显卡上实现33.5FPS，这速度显著超越了此前的所有SOTA。此外，只需一张显卡即可训练达到这种效果。作者将实例分割分为两个并行的子任务：一个分支生成一系列原型mask，也即prototype；另一个分支做目标检测同时对每个实例预测mask系数。如此，就可以利用prototype和mask系数信息，通过线性组合生成实例mask。这个过程不依赖于repooling，所以可以生成高质量mask，且表现出无消耗的时间稳定性。进一步的，作者还发现尽管使用的是全卷积，但prototype仍能够以平移不变的方式学习到实例的定位信息。最后，还提出了 Fast NMS，它是标准 NMS 的快速版，仅具有边际性能损失。

1、动机

"Boxes are stupid anyway though, I'm probably a true believer in masks except I can't get YOLO to learn them."  —— Joseph Redmon, YOLOv3

        可以看出，YOLACT是替Joseph Redmon圆梦的【此处应该有个狗头】~

        言归正传，此前的流行实例分割都是在目标检测的基础上增加mask分支，如Mask-RCNN、FCIS，他们主要关注性能而非速度。于是，为了填补这块空白，作者想做出一个类似SSD和YOLO级别的实例分割。

        在目标检测领域，SSD和YOLO通过移除像Faster RCNN那样的第二个阶段，并通过一些手段做弥补，可以达到不错的效果。然而实例分割领域却不能简单地如法炮制。此前流行的两阶段的实例分割通常都依赖于repool操作（如ROI Pooling、ROI Align）来做特征定位，然后将这些定位的特征送到mask预测分支，这种操作非常heavy且由于其串行特性而难以加速，再加上大量的后处理，故而难以实时。

        基于这些问题，作者提出了YOLACT，其丢弃了显式的定位步骤，取而代之的是在prototype中隐式学习实例的定位。在这种方式下，网络可自行学习到实例mask的定位，使得在视觉上、空间上、语义上相似的实例在prototype上能够区分开来，也即网络学习到了将相似的实例区分开的能力。

2、方法

2.1. 网络结构

        整体网络架构如图2所示：

图 2：YOLACT 架构

        网络结构简单描述一下：

1. 输入图像，送入backbone，进行特征提取；
2. backbone出来的feature map，P3~P7部分利用FPN进行特征融合，送入检测分支，生成cls、bbox、mask coff; P3部分则送入mask分支，通过一个FCN生成一组prototypes；
3. 对NMS之后剩下的实例，利用mask coefficients和prototypes线性组合生成最终的分割mask；

        网络包含了几个要点：

• 1）网络是在one-stage网络中添加mask分支来实现实时实例分割的，但这种方式不同于Mask-RCNN在Faster-RCNN基础上做的那样，YOLOACT没有显式定位操作，而是通过prototype来隐式学习；
• 2）网络的两个分支：
•         a. 目标检测分支：除了包含目标检测的常规内容（边框、置信度、类别等），还增加了mask系数；
•         b. prototype分支：固定通道数的一组prototype，原图尺度、不依赖于实例类别；其通过分布式表达各个实例的特征，在预测时也会利用所有prototype对每个种类别的实例做分割；
• 3）将实例mask的预测内容分解到两个分支是因为：可以利用擅长生成语义向量的FC层生成mask系数，利用擅长产生空间相关mask的卷积层来生成prototype，这样可以实现并行计算，从而保持一阶段且快速的特点。

2.2. 关于prototype

        本工作最重要的工作是在实例分割中引入了prototype。

        prototypes是一组通过FCN生成的固定通道数的feature map，protonet网络结构见图3：

        prototypes的通道数与类别数无关，对每个类别，都会通过所有prototype跨类别组合来做分割。YOLACT中的prototype学习到的是一种分布式表示，每一个实例的分割mask都是多个prototype的组合，也即prototype是跨类别共享的。

        这种分布式的特征表示，使得每个prototype负责不同的特征：有的负责在空间上划分图像，有的负责定位实例，有的负责编码位置敏感的方向图（类似于FCIS中硬编码位置敏感的模块），而大部分prototype都是这些信息的组合表示。这种特性如图5所示：

图5：prototype特性

3、实验结果