CVPR2020文章核心思想总结

• PolarMask: Single Shot Instance Segmentation with Polar Representation
• 核心思想：通过实例中心区域（质心周围的9-16个像素为正样本，而不仅仅是质心被当作正样本，这能增加正样本的数量，而且有时候质心可能并不是最佳点，增加一些点能增大选择到最佳点的概率）分类和在极座标中密集地回归距离来预测实例轮廓。为此，提出了两种有效的方法（极化中心和极化IoU loss）来分别处理高质量中心样本的采样和优化密集距离回归，这可以显着提高性能并简化训练过程。极座标相对于笛卡尔座标的优点：（1）极座标的原点可以视为目标的中心。 （2）从原点开始，轮廓上的点由距离和角度确定。 （3）角度自然是有方向性的，因此将点连接到圆柱体非常方便整个轮廓。 我们声称笛卡尔表示法可能会同样表现出前两个属性。 但是，它缺乏第三特性的优点。polar representation:1）首先根据mask标签采样中点(xo,yo)，如果在轮廓上均匀采N（例如36）个点(xi,yi)，则中点和每个点之间连接得到36条的线段，夹角为10°，线段长度为中心点和轮廓点的距离。如果位置（x; y）落入任何实例的质心周围区域，则将其视为中心样本。
• Mask Encoding for Single Shot Instance Segmentation
• 不是直接预测二维mask，而是将mask提炼成固定维度的向量从而进行实力分割。用一个长度为N的一维向量来压缩表示mask，