QueryInst：端到端的查询驱动实例分割系统

"QueryInst：基于查询的实例分割的端到端系统" QueryInst是一个创新的实例分割系统，它采用了一种全新的视角来处理实例分割任务。这个系统是端到端的，将实例作为可学习的查询，使得基于查询的对象检测器（如稀疏的R-CNN）能够具备强大的实例分割能力。QueryInst的独特之处在于它统一表示实例的属性，包括类别、边界框、实例掩码以及实例关联嵌入，所有这些都通过查询来表达。 在QueryInst的架构中，查询不仅用于检测，还通过动态卷积参与到分割过程中。这使得系统能够在检测和分割之间共享信息，提高整体性能。QueryInst已经在多个具有挑战性的基准数据集上进行了广泛验证，包括COCO、CityScapes和YouTube-VIS，以评估其在对象检测、实例分割和视频实例分割任务中的表现。实验结果显示，QueryInst达到了最先进的性能水平。 传统的实例分割方法通常依赖高性能的对象检测器，采用多阶段的方法，如Mask R-CNN系列，它们利用RoI池化操作来处理来自区域提议网络的框级定位信息。然而，QueryInst则摒弃了这种传统方法，转而采用基于查询的端到端框架，简化了流程并提升了效率。与现有技术相比，QueryInst在保持高精度的同时，也实现了较好的运行速度（如图1所示）。 DETR的出现启发了QueryInst的设计，DETR首次将对象检测问题转化为基于查询的解决方式。QueryInst在此基础上进一步发展，将这种思想应用到实例分割任务，证明了基于查询的框架在实例级识别任务中的优越性。代码已经开源，可以在https://github.com/hustvl/QueryInst获取。 QueryInst是一种革命性的实例分割方法，它通过将实例作为可学习的查询，实现了端到端的处理，从而在准确性和速度上都达到了最先进的水平，对于实例分割领域的发展具有重要的推动作用。