CenterMask：一阶实例分割新方法，基于点表示

"CenterMask: 点表示的实例分割方法" 在计算机视觉领域，实例分割是一种重要的技术，它要求不仅能定位和分类图像中的物体，还要精确地分割出每个实例的像素级边界。CenterMask是一种创新的单次实例分割方法，其核心是利用点表示来解决实例区分和像素级特征对齐的两大难题。 CenterMask将实例分割问题分解为两个并行任务：局部形状预测和全局显著性生成。局部形状预测分支致力于在对象重叠的情况下分离实例，而全局显著性生成分支则以像素级精度对整张图像进行分割。这两个子任务的输出结合在一起，形成了最终的实例掩码。通过从目标中心点的表示中获取局部形状信息，CenterMask能够在不依赖复杂的架构或额外的预训练技巧的情况下，实现高效且准确的分割。 在CenterMask的设计中，它采用了简单的结构，完全从头开始训练，无需任何复杂的附加组件。在具有挑战性的COCO数据集上，CenterMask仅使用单个模型和单尺度训练/测试，就能达到34.5的掩码AP，同时保持12.3fps的高速度。这一性能超越了所有其他同等速度的一阶实例分割方法，证明了其有效性。 此外，CenterMask的灵活性体现在它可以无缝集成到其他一阶目标检测器，如FCOS中，并能保持良好的表现。这展示了CenterMask作为实例分割模块的通用性和实用性。 图1描绘了CenterMask的工作原理，其中局部形状分支负责初步分离对象，全局显著性图则提供全面的像素级分割信息。这两部分的输出通过组装得到精细的实例掩码。对于第一阶实例分割来说，如何在相同类别的物体之间进行区分是一项重大挑战。一些方法尝试从全局视角提取特征来处理这个问题，而CenterMask通过点表示的方式，有效地解决了这一问题，提升了实例分割的精度和效率。 总结来说，CenterMask是一种简洁、快速且高效的实例分割算法，它通过点表示来处理实例区分和像素对齐，适用于单次操作，并能与其他一阶目标检测框架兼容。这种创新的方法在性能和速度上都取得了平衡，为实例分割研究提供了新的思路。