BoxInst: Box 주석을 사용한 고성능 인스턴스 분할

우리는 학습을 위한 바운딩 박스 주석만으로 마스크 수준의 인스턴스 세그멘테이션을 달성할 수 있는 고성능 방법을 제시합니다. 이 설정은 문헌에서 연구되어 왔지만, 여기서는 간단한 설계로 현저히 더 강력한 성능을 보여줍니다(예를 들어, Hsu 등 (2019)에서 이전 최고의 보고된 마스크 AP 21.1%를 COCO 데이터셋에서 31.6%로 크게 향상시킵니다).우리의 핵심 아이디어는 인스턴스 세그멘테이션에서 마스크 학습의 손실 함수를 재설계하는 것입니다. 세그멘테이션 네트워크 자체에는 어떠한 수정도 가하지 않습니다. 새로운 손실 함수들은 마스크 주석에 의존하지 않고 마스크 학습을 감독할 수 있습니다. 이를 가능하게 하는 두 가지 손실 항목은 다음과 같습니다: 1) 지면 진리 박스와 예측된 마스크 사이의 차이를 최소화하는 대체 항목; 2) 유사한 색상을 가진 근접 픽셀들이 매우 높은 확률로 같은 카테고리 라벨을 갖는다는 사전 정보를 활용할 수 있는 쌍별 손실.실험 결과는 재설계된 마스크 손실 함수가 바운딩 박스 주석만으로도 놀라울 정도로 고품질의 인스턴스 마스크를 생성할 수 있음을 입증합니다. 예를 들어, 어떠한 마스크 주석도 사용하지 않고 ResNet-101 백본 및 3x 학습 일정을 사용하여 COCO 테스트-개발 분할에서 33.2%의 마스크 AP를 달성했습니다(완전 감독 모델에서는 39.1%입니다). COCO와 Pascal VOC에서 우수한 실험 결과는 우리의 방법이 약간 감독된 인스턴스 세그멘테이션과 완전히 감독된 인스턴스 세그멘테이션 사이의 성능 차이를 현저히 줄였음을 나타냅니다.코드는 다음 링크에서 확인할 수 있습니다: https://git.io/AdelaiDet