腾讯优图提出ISTR：基于transformer的端到端实例分割！性能SOTA，代码已开源！
点蓝色字关注“机器学习算法工程师”
设为星标，干货直达！
近日，厦门大学和腾讯优图联合发布了一种基于transformer的端到端的实例分割方法ISTR：
ISTR使用ResNet50-FPN在MS COCO数据集上可达到46.8/38.6 box/mask AP，使用ResNet101-FPN可达到48.1/39.9 box/mask AP。代码已经开源在：https://github. com/hujiecpp/ISTR。在类似FPS下，ISTR模型效果超过Mask R-CNN和SOLOv2：
ISTR模型的主体网络结构如下所示，其主体思路借鉴了DETR和Sparse R-CNN，其中采用基于CNN的FPN网络作为backbone来作为特征提取器，然后定义一系列learnable query boxes，通过boxes的RoI Features和Img Features做attention，然后接三个heads来分别预测Class，Box和Mask。其训练的loss和DETR类似，采用Bipartite Matching Cost，只不过增加了mask loss部分。
ISTR的训练和推理基本和Sparse R-CNN一样，因为ISTR也是采用了可学习的query boxes，训练也采用了Recurrent Refinement Strategy，区别主要在于增加了mask部分，主要流程如下：
ISTR的核心点是mask head不是直接预测一个2-D的mask，而是预测的是一个mask embedding，具体做法是基于PCA对sxs大小的mask进行降维，得到维度为l的embedding vector，虽然看起来PCA可能会损失高维信息，实际上论文中发现mask的信息主要集中在前面的主成分中：
对于Bipartite Matching Cost，ISTR相比DETR就包括了三部分
（1）matching cost for bounding boxes
（2）matching cost for classes：
（3）matching cost for mask embedding：采用cos相似度来计算
ISTR的训练loss也包括三个部分：
其中mask loss包括基于mask embeddings的L2 loss和基于2-D mask的dice loss：
虽然ISTR的mask head是直接预测mask embeddings，但是从可视化的结果来看，生成的mask还是很精细的：
更多内容可以直接阅读论文：https://arxiv.org/pdf/2105.00637.pdf
推荐阅读
"未来"的经典之作ViT：transformer is all you need！
PVT：可用于密集任务backbone的金字塔视觉transformer！
涨点神器FixRes：两次超越ImageNet数据集上的SOTA
不妨试试MoCo，来替换ImageNet上pretrain模型！
机器学习算法工程师
一个用心的公众号
