CenterPoly：使用边界多边形进行实时实例分割

我们提出了一种名为CenterPoly的新方法，用于基于边界多边形的实时实例分割。该方法应用于检测密集城市环境中的道路使用者，使其适用于智能交通系统（如自动驾驶车辆）中的应用。CenterPoly通过检测对象的中心关键点并预测每个对象的固定数量的多边形顶点，从而实现检测和分割的并行处理。网络头部共享了大部分网络参数，使得该方法足够快速轻量，能够在实时速度下运行。为了正确地将掩码真值转换为多边形真值，我们设计了一种顶点选择策略以促进多边形的学习。此外，为了更好地在密集城市场景中分割重叠对象，我们还训练了一个相对深度分支，利用可用的弱注释来确定哪些实例更近、哪些实例更远。我们提出了几种具有不同骨干网络的模型，展示了可能的速度/精度权衡。这些模型在Cityscapes、KITTI和IDD数据集上进行了训练和评估，并在它们的公开基准上报告了结果，这些结果在实时速度下达到了当前最佳水平。代码可在https://github.com/hu64/CenterPoly 获取。