基于循环通用轮廓的渐进式学习实例分割

基于轮廓的实例分割因其在复杂背景中处理视觉对象时所展现出的灵活性与优雅性，近年来受到广泛关注。本文提出一种新型深度网络架构——PolySnake，用于通用的基于轮廓的实例分割。受经典Snake算法的启发，PolySnake通过一种迭代且渐进的轮廓优化策略，实现了卓越且鲁棒的分割性能。在技术实现上，PolySnake引入了一种循环更新算子，以迭代方式估计目标轮廓。该方法维持单一轮廓估计，并逐步将其形变逼近至目标边界。在每一迭代步骤中，PolySnake为当前轮廓构建富含语义信息的表示，并将其输入循环更新算子以进一步调整轮廓位置。通过多轮迭代优化，轮廓逐步收敛至稳定状态，精确地包围目标实例。除通用实例分割任务外，本文还开展了大量实验，验证了PolySnake在两个特定应用场景——场景文本检测与车道线检测中的有效性与泛化能力。实验结果表明，PolySnake在三个任务的多个主流基准测试中均显著优于现有先进方法。相关代码与预训练模型已开源，地址为：https://github.com/fh2019ustc/PolySnake。