CVPR2020文章核心思想總結

• PolarMask: Single Shot Instance Segmentation with Polar Representation
• 核心思想：通過實例中心區域（質心周圍的9-16個像素爲正樣本，而不僅僅是質心被當作正樣本，這能增加正樣本的數量，而且有時候質心可能並不是最佳點，增加一些點能增大選擇到最佳點的概率）分類和在極座標中密集地迴歸距離來預測實例輪廓。爲此，提出了兩種有效的方法（極化中心和極化IoU loss）來分別處理高質量中心樣本的採樣和優化密集距離迴歸，這可以顯着提高性能並簡化訓練過程。極座標相對於笛卡爾座標的優點：（1）極座標的原點可以視爲目標的中心。 （2）從原點開始，輪廓上的點由距離和角度確定。 （3）角度自然是有方向性的，因此將點連接到圓柱體非常方便整個輪廓。 我們聲稱笛卡爾表示法可能會同樣表現出前兩個屬性。 但是，它缺乏第三特性的優點。polar representation:1）首先根據mask標籤採樣中點(xo,yo)，如果在輪廓上均勻採N（例如36）個點(xi,yi)，則中點和每個點之間連接得到36條的線段，夾角爲10°，線段長度爲中心點和輪廓點的距離。如果位置（x; y）落入任何實例的質心周圍區域，則將其視爲中心樣本。
• Mask Encoding for Single Shot Instance Segmentation
• 不是直接預測二維mask，而是將mask提煉成固定維度的向量從而進行實力分割。用一個長度爲N的一維向量來壓縮表示mask，