scoring

安妮 乾明 发自 凹非寺 本文转载自量子位(QbitAI) 实习生又立功了！ 这一次，亮出好成绩的实习生来自地平线，是一名华中科技大学的硕士生。 他作为第一作者完成的研究Mask Scoring R-CNN，在 COCO图像实例分割任务上超越了何恺明的Mask R-CN N ，拿下了计算机视觉顶会CVPR 2019的口头报告。 也就是说，它从5000多篇投稿中脱颖而出，成为最顶尖的 5.6% 。 无论搭配的基干怎么变，表现一直稳定，总是比Mask R-CNN好一点。 可谓青出于蓝而胜于蓝。 并且，他们的算法已经开源了（传送门在文末）。 给蒙版打分 Mask R-CNN，一种简洁、灵活的实例分割框架，大神何恺明的“拿手作”之一。自2017年一出场就惊艳了四方研究者，何恺明也借此一举拿下ICCV 2017最佳论文奖。 △ 何恺明 新鲜出炉的Mask Scoring R-CNN，性能是怎样超越前辈的呢？ 关键就在名字里的“打分”（Scoring）。这篇论文中，研究人员提出了一种 给算法的“实例分割假设”打分 的新方法。这个分数打得是否准确，就会影响实例分割模型的性能。 而Mask R-CNN等前辈，用的打分方法就不太合适。 这些模型在实例分割任务里，虽然输出结果是一个蒙版，但打分却是和边界框目标检测共享的，都是针对目标区域分类置信度算出来的分数。 这个分数，和图像分割蒙版的质量可未必一致

题目 ：《Mask Scoring R-CNN》 CVPR 2019 Oral Paper (2017年783篇论文，获得口头报道的有215篇,oral paper很有含金量) 华中科技大学horizon.ai地平线计算机视觉技术研究中心 1.1 Abstract 让深度网络意识到自己的预测质量是一个有趣但重要的问题。在大多数实例分割的任务中，实例分类的置信度被当作mask的质量衡量指标。然而， mask的质量被量化为实例mask和它的ground truth之间的IOU,显然,mask的质量和分类的质量其实没有很强的相关性 。在这篇文章中，我们研究了这个问题（如何研究，带着这个问题去思考），并且提出了 Mask Scoring R-CNN , 其实包含一个网络块 network block去学习预测实例mask的质量 (这个网络块怎么设计的)。 这个网络模块利用实例特征和相应的预测的mask去回归mask IOU 。这个mask scoring策略可以解决的问题： mask score和mask quality不匹配的问题。 Mask Scoring R-CNN outperforms the state-of-art Mask R-CNN。 针对instance segmentation中的掩码质量不好提出解决。 network block去学习预测实例mask的质量

from sklearn . ensemble import ExtraTreesClassifier , RandomForestClassifier from sklearn . tree import DecisionTreeClassifier from sklearn . model_selection import cross_val_score from sklearn import datasets import numpy as np import matplotlib . pyplot as plt % matplotlib inline # 决策树，进行裂分时候，根据信息增益最大进行裂分，刻板 # 情深不寿，慧极必伤 # 极限森林 1、样本随机 2、分裂条件随机（不是最好的裂分条件） # 随机性在计算分割的方式上进一步向前迈进了一步。 # 像在随机森林中一样，使用候选特征的随机子集，但不是寻找最有区别的阈值， # 而是为每个候选特征随机绘制阈值， # 并选择这些随机生成的阈值中的最佳阈值作为划分规则 X , y = datasets . load_wine ( True ) clf = DecisionTreeClassifier ( ) cross_val_score ( clf , X , y , cv = 6 , scoring = 'accuracy'

代码地址： yolact 1. 概述 导读：这篇文章的方法YOLACT++是在YOLACT的基础上进行改进得到的（之前关于YOLACT的文章可以参考之前的博文： 链接 ），这篇文章给出的算法相比之前的版本其在instance分割性能上有了很大进步，作为取舍的另外一方面，在速度上略微有所下降。其具体的改进体现在以下3点：1）为网络引入Deformable Convolution，增强网络表达能力，带来更好的检测器与mask prototypes；2）针对目标设置更好的anchor尺寸和长宽比例；3）在网络中引入了快速mask re-scoring分支，这里的方法借鉴Mask Scoring RCNN，为mask引入质量评价；最后，其在COCO数据集上实例分割性能达到34.1mAP，帧率为33.5 FPS。 将文章的算法与之前的一些算法进行比较见下图所示： PS： 这里将不再阐述YOLACT的具体实现，主要阐述与YOLACT++不一样的地方，也就是文章提出的改进的地方。 2. 方法设计 2.1 Fast Mask Re-Scoring Network 这里从Mask Scoring RCNN受到启发，采用更加适合mask性能评估的方式去度量分割mask的质量，而不是采用分类的置信度，文章中使用与GT mask之间计算得到的mask IoU作为mask性能的评估指标，其对应的网络结构