# Mask R-CNN/YOLOV8/RTMDET三种实例分割方法推理逻辑对比
实例分割是同时检测与分割,即在检测出检测框的同时分割出检测中的对象。这样,不仅实现了语义分割,同时区分出了同类别的不同的对象。
以human
这个类别为例,
检测任务:
分割任务:
实例分割:
从上面这个例子可以看出,检测任务定位了对象的包围框,语义分割分割出了人这个类别,不过把所有的人一起分割了,实例分割区分出了每个人,并分别进行了分割。
实际在做实例分割时,通常同时输出对象的检测框,并给出对象的分割结果。下面介绍三种常见的实例分割算法。
# Mask R-CNN
首先是Mask R-CNN
,在目标检测中有介绍过Mask RCNN
是FAIR
的何凯明等于2017
年03
月提交的论文Mask R-CNN (opens new window)中提出的,该算法同时支持目标检测\实例分割\关键点检测的任务。
论文:Mask R-CNN (opens new window)
代码:detectron2 (opens new window)
在这里,不再介绍Mask RCNN
的backbone
和neck
部分,关于RPN (opens new window)和ROI Pooling (opens new window)的介绍可以参考之前的文章:
1.ROI Pooling 与 ROI Align (opens new window)
2.Region Proposal Network (opens new window)
这里只讨论RoI Pooling
后的Head
部分,
Mask R-CNN
同时支持输出检测框,实例分割结果,关键点,这里我们只讨论Mask Head
部分,即上图中的右侧绿色分支。
值得注意的是,上图是粗略表示,关于proposal
在Head
中的使用和Mask/Box/KeyPoint Head
之间的关系可以参考下面两个图。
在训练时,Mask/KeyPoint Head
都使用proposal
框来当作检测box
框选对象,如下图蓝色线流所示:
在预测时,Mask/KeyPoint Head
不再使用proposals
转而使用Box Head
预测的检测框来框选对象,因此Mask/KeyPoint Head
依赖检测框的输出,如下图紫色线流所示意,
Mask R-CNN
的Mask Head
分析如下,整理自detectron2
代码库:
Mask Head
的输入有两个,一个是bounding boxes
或者proposals
(测试推理时使用boxes
,训练时使用RPN给出的proposals
),另一个是backbone
提取的feature map
。
Mask Head
的结构如上图,先是对feature map
根据bounding boxes
做ROI Pooling
,得到每个ROI
的特征图,然后是连续几层常规卷积,最后再跟一层转置卷积进行X2上采样,同时卷积输出通道变成num_class
,得到的输出shape=(B*N,num_class, 28, 28)
,这里28x28
就是ROI
区域对应的mask
,这里对每个对象预测了num_class
个mask
,在Mask R-CNN
中,直接使用Box Head
预测的label id
来取对应的mask
并sigmoid
以作为最终当前实例的分割结果。
转置卷积的介绍参考这里转置卷积 (opens new window)。
得到28X28
的实例ROI分割结果后,要将其变换到原图像上,这里使用了grid_sample
方法,使用grid_sample
变换,会根据box
坐标将ROI Mask
变换到原图像box
所处的区域。变换后再根据超参数阈值对mask
做二值化即可得到最后的分割结果。
后记: 这里有个疑问,所有的ROI
无论大小都使用了同样大小尺寸的ROI Feature Map
都是28x28
,但是正常难道不应该对大目标使用大尺寸,小目标使用小尺寸吗?
# YOLOV5/8实例分割方法
YOLOV5/8中使用的Instance
分割方法和Mask RCNN
中区别比较大,
其利用Head1
中尺寸最大的特征图作为Mask
分支的输入,经过proto_pred
卷积层的处理得到shape:(B, mask_channel, H, W)
的mask_feature
。
检测框的预测分支和目标检测中的YoloV5 Head
基本相同,除了对于feature_map
的通道上增加了计算每个实例掩码用的参数,参数的数量同proto_pred
输出的mask_channel
,所以对于80X80/40X40/20X20
的feature_map
,其通道数为: 4 + 1 + num_classes + mask_channel
拿到解码后的检测框,经过nms
处理后得到最后的检测框,取对应的mask_channel
个coeffs
和mask_feature
相乘加权即可得到最后的实例分割结果,完整过程如下图:
# RTMDet中的实例分割
RTMDet
中和YOLOV5
处理方式很相似,都是对每个检测框实例计算坐标时同时给出预测mask
所需的权重参数,区别在与YOLOV5/8
中直接用参数和mask_feature
进行加权求和,而RTMDET
预测了169
个参数,构造了3
层卷积,来和mask_feature
运算得到分割mask
。
还有一点RTMDet
中mask_feature
并非只使用了80X80
的feature map
,它还将其余两个头上的特征图上采样后与其进行concatenate
,输入mask_feature
分支后得到Batch_SizeX8X80X80
的mask
特征图。特征图并不能直接用来和predicted kernel
卷积得到Instance Mask
,RTMDet
算法使用的mask feat
先重复了检测实例的个数次,然后合并了检测框在特征图上的坐标,最后与predicted kernel
做卷积的输入mask
特征图变成了(N,10,80,80)
。
RTMDet
实例分割推理的完整过程可参考下图,
RTMDet
根据predicted_kernel
升成卷积的方法被称为动态卷积Dynamic Convolution
,如下图,
如上,就是Mask R-CNN/YOLOV8/RTMDet
三种实例分割的方法,总结来看,YOLOV8/RTMDet
方法相似,RTMDet
处理mask
预测的方法更复杂一些,YOLOV8
中的加权求和变成了三层卷积,输入的特征图重复了num_instance
次,并合并了mask_feature
上对应的priors
和num_instance
对应点的相对坐标。YOLOV8/RTMDet
输出Instance Mask
的分辨率比Mask RCNN
要大,Mask RCNN
经过转置卷积上采样后输出的RoI
分割图的大小是28X28
,经过GridSample
后还原到原分辨率上。不过Mask R-CNN
输出的是RoI
的分割图,而YOLOV8/RTMDet
输出的是在整幅图像上的分割图。
1.https://github.com/ultralytics/ultralytics.git (opens new window)
3.https://github.com/facebookresearch/detectron2.git (opens new window)