BriefGPT - AI 论文速递
·
通用掩码感知 IoU 用于实时实例分割的锚点分配
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
该研究提出了广义掩码感知交并比（GmaIoU）作为实例分割方法中锚框正负样本分配的新衡量标准。通过在ATSS中使用基于GmaIoU的分配器训练实时实例分割方法YOLACT，证明了GmaIoU的有效性。基于GmaIoU的YOLACT相对于使用交并比的ATSS提高了约1.0-1.5个掩码AP，相对于使用固定交并比阈值分配器的YOLACT提高了约1.5-2个掩码AP，并且减少了25％的推断时间。进一步设计了GmaYOLACT，一个比YOLACT更快且准确率提高了7个掩码AP的检测器。最佳模型在COCO测试集上以26fps的速度实现了38.7个掩码AP，建立了实时实例分割领域的新的最先进水平。
🎯
关键要点
- 该研究提出了广义掩码感知交并比（GmaIoU）作为实例分割方法中锚框正负样本分配的新衡量标准。
- GmaIoU结合了分割掩码的特性，提供更精确的训练监督。
- 通过在ATSS中使用GmaIoU替换交并比，证明了GmaIoU的有效性。
- 基于GmaIoU的YOLACT相较于使用交并比的ATSS提高了约1.0-1.5个掩码AP。
- 相较于使用固定交并比阈值分配器的YOLACT，基于GmaIoU的YOLACT提高了约1.5-2个掩码AP，并减少了25%的推断时间。
- 设计了GmaYOLACT，一个比YOLACT更快且准确率提高了7个掩码AP的检测器。
- 最佳模型在COCO测试集上以26fps的速度实现了38.7个掩码AP，建立了实时实例分割领域的新最先进水平。
➡️
