直播预告 | (CVPR2020 Oral) 陈昊：超越Mask RCNN的BlendMask，实例分割新标杆

2020 年 3 月 23 日 极市平台

↑ 点击蓝字关注极市平台识别先机创造未来

| 极市线上分享第53期 |

一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过50位技术大咖嘉宾，并完成了52期极市线上直播分享，往期分享请前往bbs.cvmart.net/topics/149 或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习~~

研究实例分割的朋友很可能都听说过今年1月新出的实例分割模型BlendMask。目前，这份优秀的工作已经中了本次CVPR2020的Oral。本次分享，极市重磅邀请BlendMask的论文作者：来自澳大利亚阿德莱德大学的陈昊博士。陈博将在3月24日（本周二）为我们分享其发表于CVPR2020的工作：BlendMask：高质高效的实例分割模型

BlendMask提出了一种结合自上向下和自下向上两种设计策略的实例分割算法，在精度上超越了Mask RCNN，速度上快20%，是一个高质高效的实例分割模型：在COCO数据集上，使用ResNet-50，BlendMask的性能达到37.0％的mAP，使用ResNet-101的性能达到38.4％的mAP，在准确性上优于Mask R-CNN，速度提高了约20％。值得一提的是，从单1080Ti GPU上评估，BlendMask-RT在25 FPS上实时可达34.2％的mAP成为全卷积实例分割的新记录，超过TensorMask 1.1点mAP，而仅需要一半的训练迭代和1/5的推理时间。据悉，BlendMask可能是第一个在mAP和推理效率方面均能胜过Mask R-CNN的算法。

BlendMask 与其他SOTA实例分割算法在COCO test-dev数据集上的比较

早在今年1月，极市就分享了这个优秀工作：SOTA实例分割算法BlendMask，超越mask-rcnn，不熟悉这个工作的小伙伴可以先读一遍这篇文章。当然，更进一步的解读可以等待陈博在下周二为我们详细讲解。

活动信息

时间：3月24日（周二）20:00~21:00

主题

BlendMask：高质高效的实例分割模型（CVPR2020）

BlendMask：High Quality and Efficiency Instance Segmentation Model

嘉宾信息

陈昊

陈昊，澳大利亚阿德莱德大学博士生，本科和硕士毕业于浙江大学，CVPR2020论文作者，指导老师为沈春华教授。研究方向为计算机视觉，包括实例检测分割、网络结构搜索和文字检测识别等，近期工作有：Fast NAS、BlendMask以及AdelaiDet。

更多信息可见陈博个人主页：

https://stan-haochen.github.io

关于分享

➤分享背景

Mask R-CNN作为二阶段实例分割领域的标杆工作，具有众多优点并长期被广泛使用。其在COCO数据集上的精度也难以被其他框架超越。但随着更高质量的数据集（OpenImage, LVIS）的诞生和实时系统需求的增强，第二阶段子网络分辨率低计算开销大的问题将成为RCNN系方法的障碍。本次分享将主要介绍实例分割框架上的探索工作：

BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation（CVPR2020）

本工作将几个基于检测结果的实例分割方法(RCNN/FCIS/YOLACT)推广到了一个统一的框架下，并借此设计了一个灵活高效的实例分割算法，BlendMask。BlendMask具有输出精细度高、速度快且稳定、集成方便等优点。在COCO、LVIS等数据集均有较好的标现，且可以自然应用于关键点检测、全景分割等任务。

论文地址：

https://arxiv.org/abs/2001.00309

➤分享大纲

1. 实例分割问题的定义和现状简介

2. 二阶段方案的特点与局限

3. 设计动机与相关工作

4. 我们的方法

5. 实验分析

参与方式

关注“极市平台”公众号，回复“53”或“陈昊”即可获取免费直播链接。