PolarMask：基于极坐标表示的单次实例分割

在本文中，我们介绍了一种无锚框且单次完成的实例分割方法，该方法概念简单、完全卷积，并可作为实例分割的掩码预测模块，通过轻松嵌入大多数现成的检测方法中使用。我们提出的方法称为PolarMask，将实例分割问题表述为极坐标下的实例中心分类和密集距离回归。此外，我们提出了两种有效的方法来处理高质量中心样本的选择和密集距离回归的优化，这些方法可以显著提高性能并简化训练过程。在具有挑战性的COCO数据集上，PolarMask仅使用单一模型和单一尺度进行训练/测试即可达到32.9%的掩码mAP（mask mean Average Precision）。这是首次展示一个更为简单和灵活的实例分割框架能够实现具有竞争力的精度。我们希望所提出的PolarMask框架能够成为单次完成实例分割任务的基本且强大的基线。代码可在以下地址获取：github.com/xieenze/PolarMask。