PolarMask：无锚点单次实例分割的极坐标新范式

PolarMask是一种创新的单次（Single Shot）实例分割方法，旨在解决传统的实例分割问题，它突破了标准的锚框（anchor boxes）依赖性，提供了概念简单、完全卷积的解决方案。该方法将实例分割任务重新定义为通过实例中心分类和密集距离回归，在极坐标系中表达实例轮廓。相比于将掩模预测视为空间布局中的二值分类，PolarMask的独特之处在于其对掩模边缘的直接捕捉，这使得模型能够更精确地定位和分割对象。 PolarMask的核心思想是利用一个中心点来表示每个实例，然后通过极坐标系中的角度和距离来描述掩模的边界。这种方法简化了模型设计，使其能够轻松地融入现有的检测框架，减少了额外的计算开销。这种设计允许模型在保持高效的同时，专注于实例级别的特征学习和定位。 为了优化模型性能和训练过程，PolarMask提出了两个关键策略。首先，它针对中心点样本的质量提出了有效的方法，确保模型能学习到最具代表性的实例中心特征。这有助于提升模型对不同实例的识别能力，特别是在复杂场景中，中心选择的准确性至关重要。 其次，对于密集距离回归，PolarMask针对性地提出了一种优化策略，以改进预测的精度。这可能包括改进的损失函数、正则化技术或者特殊的采样策略，以减少过度拟合并提高回归的稳定性。 在实验部分，PolarMask展示了显著的优势，当仅使用单模型和单尺度训练/测试时，在具有挑战性的数据集上实现了32.9%的mask mAP，这证明了其在实例分割任务上的强大性能和普适性。尽管没有额外的复杂装饰（即没有“bells and whistles”），但PolarMask已经成为单次实例分割任务的一个强有力的基准线，为后续研究者提供了有价值的研究方向。PolarMask代表了一种高效且易扩展的实例分割方法，为计算机视觉领域的实例分割任务带来了新的思考和可能性。