摘要
在本研究中，我们的目标是构建一个简单、直接且快速的实例分割框架，同时具备强大的性能。我们遵循了王等人提出的“SOLO：基于位置的对象分割”方法的原则。重要的是，我们在这一基础上更进一步，通过动态学习对象分割器的掩码头部（mask head），使得该头部能够根据位置进行条件化。具体而言，我们将掩码分支解耦为掩码内核分支和掩码特征分支，前者负责学习卷积内核，后者负责学习卷积后的特征。此外，我们提出了矩阵NMS（Matrix NMS）方法，以显著减少由于掩码非极大值抑制（non maximum suppression, NMS）带来的推理时间开销。我们的矩阵NMS通过一次性的并行矩阵操作执行NMS，并取得了更好的结果。我们展示了一个简单的直接实例分割系统，在速度和准确性方面均优于一些现有的最先进方法。轻量级版本的SOLOv2可以达到31.3帧每秒（FPS），并实现了37.1%的平均精度（AP）。此外，我们在对象检测（由掩码副产品生成）和全景分割方面的最先进结果表明，该方法有潜力成为许多实例级别识别任务的新强基线，而不仅仅是实例分割。代码可在以下地址获取：https://git.io/AdelaiDet