SOTA实例分割算法BlendMask，超越mask-rcnn

加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~

【导读】BlendMask通过更合理的blender模块融合top-level和low-level的语义信息来提取更准确的实例分割特征，该模型效果达到state-of-the-art，但结构十分精简，推理速度也不慢，精度最高能到41.3AP，实时版本BlendMask-RT性能和速度分别为34.2mAP和25FPS，并且论文的优化方法很有学习的价值，值得一读。

论文：

BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation

论文地址：

https://arxiv.org/abs/2001.00309

Introduction

密集实例分割模型早期主要有两种，top-down apporach和bottom-up apporach。

top-down apporach

top-down模型先通过一些方法获取box区域，然后对区域内的像素进行mask提取，这种模型一般有以下几个问题：

• 特征和mask之间的局部一致性会丢失，论文讨论的是Deep-Mask，用fc来提出mask

• 冗余的特征提取，不同的bbox会重新提取一次mask

• 由于使用了缩小特征图的卷积，位置信息会损失

bottom-up apporach

bottom-up模型先对整图进行逐像素预测(per-pixel prediction)，每个像素生成一个特征向量，然后通过一些方法来对像素进行分组。由于进行的是逐像素级预测且步长很小，局部一致性和位置信息可以很好的保存，但是依然存在以下几个问题：

• 严重依赖逐像素预测的质量，容易导致非最优的分割

• 由于mask在低维提取，对于复杂场景(类别多)的分割能力有限

• 需要复杂的后处理方法

hybridizing apporach

考虑到上面的问题，论文综合了top-down和bottom-up的策略，利用instance-level信息(bbox)对per-pixel prediction进行裁剪和加权输出。虽然FCIS和YOLACT已有类似的思想，但论文认为他们都没有很好的处理top-level和bottom-level的特征，高维特征包含整体的instance信息，而低维特征的则保留了更好的位置信息，论文的重点在于研究如何合并高低维特征，主要贡献有以下几点：

• 提出了proposal-based的instance mask合并方法，blender，在COCO上对比YOLACT和FCIS的合并方法分别提升了1.9和1.3mAP

• 基于FCOS提出简洁的算法网络BlendMask

• BlendMask的推理时间不会像二阶检测器一样随着预测数量的增加而增加

• BlendMask的准确率和速度比Mask R-CNN要好，且mask mAP比最好的全卷积实例分割网络Tensor-Mask要高1.1

• 由于bottom模块能同时分割多种物体，BlendMask可直接用于全景分割

• Mask R-CNN的mask输出固定为28X28，BlendMask的mask输出像素可以很大，且不受FPN的限制

• BlendMask通用且灵活，只要一些小修改，就可以用于其它instance-level识别任务中，例如关键点检测

Our methods

Overall pipeline

BlendMask包含检测网络和mask分支，mask分支包含3个部分，bottom module用于预测score maps，top layer用于预测实例的attentions，blender module用于整合分数以及attentions，整体的架构如图2所示。

• Bottom module

bottom module预测的score maps在文中称为基底(base) 。 的大小为 ，其中N为batch size，K为基底的数量， 是输入的大小，而 则是score maps的输出步长。

DeepLab V3+

论文采用DeepLab V3+的decoder，该decoder包含两个输入，一个低层特征和一个高层特征，对高层特征进行upsample后与低层特征融合输出。这里使用别的结构也是可以的，而bottom module的输入可以是backbone的feature，也可以是类似YOLACT或Panoptic FPN的特征金字塔。

• Top Layer

在每一个detection tower后接了一层卷积层用来预测top-level attentions 。在YOLACT中，每一层金字塔 ( ) 输出的 为 ，即对应基底每个channel的整体的权重值。而论文输出的 为 ， 是attention的分辨率，即对应基底每个channel的像素点的权重值，粒度更细，是element-wise的操作(后面会讲到)。

由于attentions是3D结构 ( )， 因此可以学习到一些实例级别的信息，例如对象大致的形状和姿态。 的值是比较小的，只做粗略的预测，一般最大为14，使用output channel为 ( ) 的卷积来实现。在送到一下个模块之前，先使用FCOS post-process方法来选择top D个bbox 和对应的attentions  ，具体的选择方法是选择分类置信度 阈值的top D个bbox，阈值一般为0.05。

• Blender module

Blender module是BlendMask的关键部分，根据attentions对位置敏感的基底进行合并输出。

Blender module

blender模块的输入为bottom-level的基底 以及选择的top-level attentions 和bbox 。

首先，使用Mask R-CNN的ROIPooler来截取每个bbox 对应的基底区域，并resize成固定 大小的特征图 。具体地，使用sampleing ratio=1的RoIAlign，每个bin只采样1个点，Mask R-CNN每个bin采样4个点。在训练的时候，直接使用gt bbox作为proposals，而在推理时，则直接用FCOS的检测结果。

attention大小 是比 小的，因此需要对 进行插值，从 变为 ， 。

接着对 的K维attention分别进行softmax归一化，产生一组score map  。

然后对每个region 的 和对应的score map 的 进行element-wise product，最后将K个结果进行相加得到 。

图1对blend module的操作进行了可视化，可以看到attenttions和基底的特征以及融合的过程，可以说十分生动形象了。

Configurations and baselines

BlendMask的超参数如下：

• ， bottom-level RoI的分辨率
• ，top-level预测的分辨率
• ，基底的数量(c hannel)
• bottom模块的输入可以是骨干网络或FPN的feature
• 基底的采样方法可以是最近邻或双线性池化
• top-level attentions的插值方法可以是最近邻或双线性采样

论文用缩写    来表示模型，使用骨干特征C3和C5作为bottom模块的输入，top-level attention使用最近邻插值，bottom level使用双线性插值，与RoIAlign一致。

Semantics encoded in learned bases and attentions

基底和attentions的可视化结果如图3所示，论文认为BlendMask能提取两种位置信息：

• 像素是否在对象上(semantic masks)
• 像素是否在对象的具体部位上(position-sensitive features)，比如左上角，右下角

红蓝两个基底分别检测了目标的右上和左下部分点，黄色基底则检测了大概率在目标上的点(semantic mask)，而绿色基底则激活了物体的边界，position-sensitive features有助于进行实例级别的分割，而semantic mask则可以对postion-sensitive进行补充，让最后的结果更加顺滑。由于学习到了更多准确的特征，BlendMask使用了比YOLACT和FCIS少很多的基底纬度(4 vs. 32 vs. 49)。

Experiment

消融实验

• Merging methods: Blender vs. YOLACT vs. FCIS

论文将blender改造成其它两个算法的merge模型进行实验，从Table1可以看出，Blender的merge方法要比其它两个算法效果好。

• Top and bottom resolutions

从Table2可以看出，随着resolution的增加，精度越来越高，为了保持性价比，R/M的比例保持大于4，总体而言，推理的时间是比较稳定的。

• Number of bases

从Table3可以看出，K=4是最优。

• Bottom feature locations: backbone vs. FPN

从图4可以看出，使用FPN特征作为bottom模块的输入，不仅效率提升了，推理时间也加快了。

• Interpolation method: nearest vs. bilinear

在对top-level attentions进行插值时，双线性比最近邻高0.2AP。

而对bottom-level score maps进行插值时双线性比最近邻高2AP。

• Other improvements

论文也尝试了其它提升网络效果的实验，虽然这些trick对网络有一定的提升，但是没有加入到最终的网络中。

Main result

• Quantitative results

从结果来看，BlendMask在效果和速度上都优于目前的实例分割算法，但是有一点，在R-50不使用multi-scale的情况下，BlendMask的效果要比Mask R-CNN差。

• Real-time setting
  

为了跟YOLACT对比，论文改造了一个紧凑版的BlendMask-RT: 1) 减少prediction head的卷积数 2) 合并classification tower和box tower 3) 使用Proto-FPN并去掉P7。从结果来看，BlendMask-RT比YOLACT快7ms且高3.3AP。

• Qualitative results

图4展示了可视化的结果，可以看到BlendMask的效果比Mask R-CNN要好，因为BlendMask的mask分辨为56而Mask R-CNN的只有28，另外YOLACT是难以区分相邻实例的，而BlendMask则没有这个问题。

Discussions

• Comparison with Mask R-CNN

BlendMask的结构与Mask R-CNN类似，通过去掉position-sensitive feature map以及重复的mask特征提取来进行加速，并通过attentions指导的blender来替换原来复杂的全局特征计算。

BlendMask的另一个优点是产生了高质量的mask，而分辨率输出是不受top-level采样限制。对于Mask R-CNN增大分辨率，会增加head的计算时间，而且需要增加head的深度来提取准确的mask特征 。另外Mask R-CNN的推理时间会随着bbox的数量增加而增加，这对实时计算是不友好的    最后，blender模块是十分灵活的，因为top-level的实例attention预测只有一个卷积层，对于加到其它检测算法中几乎是无花费的。

• Panoptic Segmentation

BlendMask可以通过使用Panoptic-FPN的语义分割分支来进行全景分割任务，从结果来看，BlendMask效果更好。

总结

BlendMask通过更合理的blender模块融合top-level和low-level的语义信息来提取更准确的实例分割特征，该模型综合各种优秀算法的结构，例如YOLACT，FOCS，Mask R-CNN，比较tricky，但是很有参考的价值。BlendMask模型十分精简，效果达到state-of-the-art，推理速度也不慢，精度最高能到41.3AP，实时版本BlendMask-RT性能和速度分别为34.2mAP和25FPS，论文实验也做得很充足。

 

 

参考内容：

[1]论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution

[2]加州大学提出：实时实例分割算法YOLACT，可达33 FPS/30mAP！现已开源！

[3]FCOS-一个挺不错的anchor free目标检测方法

PS：点击阅读原文进入极市社区，能够直接跳转本文链接哦~

-End-

*延伸阅读

• 大盘点 | 2019年5篇图像分割算法最佳综述

• 最全综述 | 图像分割算法

• PolarMask: 一阶段实例分割新思路

---

CV细分方向交流群

添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入目标检测、目标跟踪、人脸、工业检测、医学影像、三维&SLAM、图像分割等极市技术交流群（已经添加小助手的好友直接私信），更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流，一起来让思想之光照的更远吧~

△长按添加极市小助手

△长按关注极市平台

觉得有用麻烦给个在看啦~