Mask DINO：面向统一的基于Transformer的目标检测与分割框架

本文提出了一种统一的目标检测与分割框架——Mask DINO。Mask DINO在DINO（改进去噪锚框的DETR）的基础上，新增了一个掩码预测分支，能够支持所有图像分割任务（包括实例分割、全景分割和语义分割）。该方法利用DINO中的查询嵌入（query embeddings），通过与高分辨率像素嵌入图进行点积操作，预测一组二值掩码。为实现分割任务，Mask DINO在共享架构与联合训练流程的基础上，对DINO中若干关键组件进行了扩展。该框架结构简洁、高效且具备良好的可扩展性，能够充分受益于大规模联合检测与分割数据集的训练。实验结果表明，Mask DINO在ResNet-50主干网络以及采用SwinL主干的预训练模型上，均显著超越了现有各类专用分割方法。尤为突出的是，在参数量不超过十亿的模型中，Mask DINO在实例分割（COCO数据集上达到54.5 AP）、全景分割（COCO数据集上达到59.4 PQ）和语义分割（ADE20K数据集上达到60.8 mIoU）三项任务上均取得了当前最优性能。代码已开源，地址为：\url{https://github.com/IDEACVR/MaskDINO}。