网站建设的功能需求分析策划书网站制作复杂吗

CenterMask是一个anchor free的实例分割模型，
来自paper: CenterMask: Real-Time Anchor-Free Instance Segmentation

提起anchor free, 会想到FCOS模型，是用来目标检测的，
那么这里就用到了FCOS, 不过换了backbone,

在FCOS检测出目标框后，提取目标框内的特征，用了一个SAG Mask， 这是一个spatial attention module,
这个attention的输出会和输入端相乘，再上采样，过1x1 conv, 就得到了每个class的mask，

具体见下面的结构图：

backbone的改进

backbone用的是VoVNetV2, 改进自VoVNet(paper)，这篇paper没有看，就不在这里展开了，但是有几个改进的点如下。

1.OSA模块添加residual connection

把OSA模块叠加之后，发现效果是下降的，比如VoVNetV1-99, 作者联想到和ResNet的原理有关，于是在每个OSA模块中都添加了residual connection, 提升了效果。

2.eSE channel attention

VoVNet中用的是SE（Squeeze-Excitation）channel attention, 作者发现FC layer会减少channel size, 引起channel信息的损失。所以将两个FC layer换成了一个，保持了channel的维度，防止信息的损失，提升了效果。
改进后成为effective SE (eSE).

前面说了，CenterMask是在FCOS预测的目标框基础上提取mask,
类似Mask R-CNN,
ROI是根据FPN中不同层的feature中预测的，所以ROI Align也应该从FPN的不同层中提取特征。
至于在哪个层中提取，有一个函数。

Adaptive RoI Assignment Function的改进

直觉上来说，大尺寸的ROI对应的感受野大，应该从FPN的高层中提取feature，反之同样。
在Mask R-CNN中，FPN的层数是这样指定的：

k0是4，w,h是每个ROI的宽和高。
224是imageNet的输入，这个是写S的。
也就是说，看ROI和input size的比例，以4层为中心移动，
如果刚好w和h都是224, 那么log项为0，就从第4层提取，如果w和h都是112，log项为-1，k=3。

但是这个公式不适用于FCOS，想必你们也能看出来，首先224写S的这一项就不符合，
如果input size变了呢。
另外，公式(1)中中心层设的是4，以第4层为中心移动，这个是two-stage detector适用的，
因为two-stage用的是P2~P5层。
但是one-stage用的是P3~P7层。

所以作者做了如下改进：

直接用了input size和ROI size的比例，用最大层去减，就不存在几个写S的问题。
这样做可以提高小目标的AP。
作者设$k_{max}$为P5，$k_{min}$为P3.

SAG Mask

这个是从ROI region中提取attention feature的部分。
再来看下结构图。

在object detection领域，attention被广泛应用，其中，
channel attention强调了注意哪个channel, 强调的是"what",
而spatial attention强调的是"where", 注意哪个region.

所以这里用的是spatial attention. 强调的是注意哪些pixel.

上面图中，ROI区域内的feature被ROI Align (14x14)提取，然后送给4个conv和SAG Mask。
设SAM的输入为$X_i$, size为C x W x H,
可以看到SAM结构中，先把Xi分别过max pooling 和 avg pooling, 注意是沿channel进行pooling,
所以它们得到的结果都是1 x W x H, 把它们concatenate到一起，
再过一个3x3 conv, 再过一个sigmoid.
对应paper的如下部分：

当然了，现在得到的是一个attention map, 相当于一个权重map.
还需要和input的Xi相乘，会得到一个attention guided feature map.

然后这个feature map 会过一个2x2的deconv, 上采样到28x28.
最后过一个1x1 conv得到每个class对应的mask.

实现细节

FCOS的超参调整，positive score 阈值从0.05降到0.03， 因为在初始训练时positive ROI产生不是太好。
还用了mask score来进一步过滤mask。

Lite版本把FPN的channel从256降到128以提升效率。
centerness branch是被box branch shared.
conv layer 和 channel的削减。

训练

FCOS的detection box个数设为100个，其中score最高的放进SAG mask branch作为训练.
mask target选择和gt mask的ROI较大的。

损失函数加上$L_{mask}$, 也就是BCE loss。

Ablation study

SAM和Mask score.

Feature level的选取，
所以前面的$k_{max}$取5，$k_{min}$取3。

各种method比较