歡迎來到《每周CV論文推薦》。在這個專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。

實例分割(Instance Segmentation)，不僅要預測可數目標的語義標簽，還要區分個體的ID，語義標簽指的是物體的類別，而實例ID則對應同類物體的不同編號，屬于比較難的圖像分割問題。今天就給大家推薦一些初學該領域必讀的文章。

作者&編輯 | 言有三

1. Deepmask

DeepMask是一個非常早期的實例分割框架，通過滑動窗口的方式來預測圖像塊中的目標。雖然現在該方法的很多策略都不可取，但是大家還是應該了解。

文章引用量：較少

推薦指數：?????

[1] Pinheiro P O O, Collobert R, Dollár P. Learning to segment object candidates[C]//Advances in Neural Information Processing Systems. 2015: 1990-1998.

2. InstanceFCN與FCIS

InstanceFCN[2]是一個早期的實例分割框架，它通過引進位置敏感圖來預測一個像素屬于某個物體的相對位置的得分，從而實現不同實例的分割，這種思想后來被多個檢測與分割框架借鑒，如FCIS[3]在此基礎上引進了兩類score map同時做分類與分割。

文章引用量：500+

推薦指數：?????

[2] ?Dai J ,? He K ,? Li Y , et al. Instance-sensitive Fully Convolutional Networks[J]. Springer, Cham, 2016.

[3]??Li Y ,? Qi H ,? Dai J , et al. Fully Convolutional Instance-Aware Semantic Segmentation[C]// Computer Vision & Pattern Recognition. IEEE, 2017.

3. MaskRCNN

Mask-RCNN是一個通用的實例分割框架，在Faster RCNN框架的基礎上對RPN輸出的每一個RoI預測分割掩膜，從而實現實例分割。

文章引用量：500+

推薦指數：?????

[4]? He K ,? Gkioxari G , P Dollár, et al. Mask R-CNN[C]// IEEE. IEEE, 2017.

4. YOLACT

檢測框架有兩階段和一階段，自然實例分割也分為兩階段和一階段，YOLACT就是一個實時的實例分割框架，它通過將掩模分支添加到現有的一階段（one-stage）目標檢測模型來實現實例分割。

文章引用量：較少

推薦指數：?????

[5]?Bolya D ,? Zhou C ,? Xiao F , et al. YOLACT: Real-time Instance Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, PP(99):1-1.

5. SOLO

SOLO(Segmenting Objects by Locations)是另一個非常簡潔的一階段實例分割框架，它通過提出實例類別概念(Instance Category)來表示物體的中心位置和尺寸，從而區分不同的實例。

文章引用量：較少

推薦指數：?????

[6]?Wang X ,? Kong T ,? Shen C , et al. SOLO: Segmenting Objects by Locations[C]// 2020.

6. PolarMask

PolarMask是一個anchor-box的實例分割框架，它通過預測實例的輪廓而不是二值掩膜來實現分割，將實例分割問題轉化為實例中心點分類(instance center classification)問題和密集距離回歸(dense distance regression)問題。

文章引用量：較少

推薦指數：?????

[7] Xie E ,? Sun P ,? Song X , et al. PolarMask: Single Shot Instance Segmentation With Polar Representation[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020.

文章細節眾多，閱讀交流在有三AI知識星球中進行，感興趣可以加入。

有三AI知識星球

知識星球是有三AI的付費內容社區，里面包括各領域的模型學習，數據集下載，公眾號的付費圖文原稿，技術總結PPT和視頻，知識問答，書籍下載，項目推薦，線下活動等資源，了解詳細請閱讀以下文章：

【雜談】有三AI知識星球一周年了！為什么公眾號+星球才是完整的？

【雜談】萬萬沒想到，有三還有個保密的‘朋友圈’，那里面都在弄啥！

轉載文章請后臺聯系

侵權必究

往期精選

• 【每周論文推薦】 初入深度學習CV領域必讀的幾篇文章
  

• 【每周CV論文推薦】 掌握殘差網絡必讀的10多篇文章

• 【每周CV論文推薦】 初學者必須精讀的5篇深度學習優化相關文章

• 【每周CV論文推薦】 CV領域中數據增強相關的論文推薦

• 【每周CV論文推薦】 初學高效率CNN模型設計應該讀的文章

• 【每周CV論文推薦】 初學目標檢測必須要讀的文章

• 【每周CV論文推薦】 初學深度學習圖像分割必須要讀的文章

• 【每周CV論文推薦】 初學GAN必須要讀的文章

• 【每周CV論文推薦】 深度學習人臉檢測入門必讀文章

• 【每周CV論文推薦】 初學深度學習人臉關鍵點檢測必讀文章

• 【每周CV論文推薦】 初學深度學習人臉識別和驗證必讀文章

• 【每周CV論文推薦】 初學深度學習人臉屬性分析必讀的文章

• 【每周CV論文推薦】 初學活體檢測與偽造人臉檢測必讀的文章

• 【每周CV論文推薦】 初學深度學習單張圖像三維人臉重建需要讀的文章

• 【每周CV論文推薦】 人臉識別剩下的難題：從遮擋，年齡，姿態，妝造到親屬關系，人臉攻擊

• 【每周CV論文推薦】換臉算法都有哪些經典的思路？

• 【每周CV論文】深度學習文本檢測與識別入門必讀文章

• 【每周CV論文】深度學習圖像降噪應該從閱讀哪些文章開始

• 【每周CV論文】初學GAN圖像風格化必須要讀的文章

• 【每周CV論文】初學深度學習圖像超分辨應該要讀的文章

• 【每周CV論文】初學深度學習圖像對比度增強應該要讀的文章

• 【每周CV論文】初學深度學習圖像修復應該要讀的文章

• 【每周CV論文】初學深度學習圖像風格化要讀的文章

總結

以上是生活随笔為你收集整理的【每周CV论文】初学实例分割需要读哪些文章？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。