在論文《YOLACT：Real-time Instance Segmentation》中，作者提出了一種簡潔的實時實例分割全卷積模型，僅使用單個 Titan Xp，以 33 fps 在MS COCO 上實現(xiàn)了 29.8 的 mAP，速度明顯優(yōu)于以往已有的算法。而且，這個結果是就在一個 GPU 上訓練取得的！

引言

一開始，作者提出了一個疑問：創(chuàng)建實時實例分割算法需要什么？

在過去的幾年中，在實例分割方向取得了很大進展，部分原因是借鑒了物體檢測領域相關的技術。比如像 mask RCNN 和 FCIS 這樣的實例分割方法，是直接建立在像Faster R-CNN 和 R-FCN 這樣的物體檢測方法之上。然而，這些方法主要關注圖像性能，而較少出現(xiàn) SSD，YOLO 這類關注實時性的實例分割算法。因此，本文的工作主要是來填補這一空白。SSD 這類方法是將 Two-Stage 簡單移除成為 One-Stage 方法，然后通過其它方式來彌補性能的損失。而這類方法在實例分割領域擴充起來卻并不容易，由于 Two-Stage 的方法高度依賴于特征定位來產(chǎn)生 mask，而這類方法不可逆。而 One-Stage 的方法，如 FCIS，由于后期需要大量的處理，因此也達不到實時。

YOLACT 介紹

基于此，作者在這項研究中提出一種放棄特征定位的方法——YOLACT（You Only Look At CoefficienTs）來解決實時性問題。

YOLACT 將實例分割分解為兩個并行任務：（1）在整副圖像上生成非局部原型 mask 的字典；（2）為每個實例預測一組線性組合系數(shù)。 從這兩部分內(nèi)容生成全圖像實例分割的想法簡單：對于每個實例，使用預測的系數(shù)線性組合原型，然后用預測邊界框來 crop。作者通過這種方式來讓網(wǎng)絡學會如何定位實例mask本身，這些在視覺上，空間上和語義上相似的實例，在原型中卻不同。

作者發(fā)現(xiàn)，由于這個過程不依賴于 repooling，因此此方法可以產(chǎn)生高質量和高動態(tài)穩(wěn)定性的 masks。盡管本文使用了全卷積網(wǎng)絡實現(xiàn)，但模板 mask 可以自己在具有平移變換情況下對實例進行定位。最后，作者還提出了 Fast NMS，這比標準 NMS 的快12ms，并且性能損失很小。

這種方法有是三個優(yōu)點：第一，速度非常快。第二，由于沒使用類似“repool”的方法，mask的質量非常高。第三，這個想法可以泛化。生成原型和mask系數(shù)的想法可以添加到現(xiàn)有的目標檢測的算法里面。

算法

算法介紹

為了提高實例分割的速度，作者提出了一種快速、單階段的實例分割模型——YOLACT。主要思想是將 Mask 分支添加到單階段目標檢測框架中。因此，研究人員將實例分割任務分解為兩個更簡單的并行任務，將其組合以形成最終的 Mask。YOLACT 的網(wǎng)絡結構圖如下圖所示。

作者將實例分割的復雜任務分解為兩個更簡單的并行任務，這些任務可以組合以形成最終的 mask。 第一個分支使用 FCN 生成一組圖像大小的“原型掩碼”（prototype masks），它們不依賴于任何一個實例。第二個是給目標檢測分支添加額外的 head ，用于預測每個 anchor 的“掩碼系數(shù)”（mask coefficients）的向量，其中 anchor 是在編碼原型空間中的實例表示。最后，對經(jīng)過NMS后的每個實例，本文通過線性組合這兩個分支來為該實例構造mask。

YOLACT 將問題分解為兩個并行的部分，利用 fc 層（擅長產(chǎn)生語義向量）和 conv 層（擅長產(chǎn)生空間相干掩模）來分別產(chǎn)生“掩模系數(shù)”和“原型掩模” 。因為原型和掩模系數(shù)可以獨立地計算，所以 backbone 檢測器的計算開銷主要來自合成（assembly）步驟，其可以實現(xiàn)為單個矩陣乘法。通過這種方式，論文中的方法可以在特征空間中保持空間一致性，同時仍然是 One-Stage 和快速的。

原型生成

原型生成分支是預測整個圖像的一組K個原型 mask。采用 FCN 來實現(xiàn)protonet ，其最后一層有 k 個 channels（每個原型一個）并將其附加到 backbone 特征層。

掩碼系數(shù)（mask coefficients）

在實驗中，YOLACT 為每個Anchor預測（4+C+k）個值，額外 k 個值即為 mask系數(shù)。另外，為了能夠通過線性組合得到 mask，很重要的一步是從最終的mask 中減去原型 mask。換言之，mask 系數(shù)必須有正有負。所以，在 mask系數(shù)預測時使用了 tanh 函數(shù)進行非線性激活，因為 tanh 函數(shù)的值域是(-1,1)。

合成Mask

為了生成實例掩模，通過基本的矩陣乘法配合 sigmoid 函數(shù)來處理兩分支的輸出，從而合成 mask。

其中，P 是 h×w×k 的原型 mask 集合；C 是 n×k 的系數(shù)集合，代表有 n 個通過 NMS 和閾值過濾的實例，每個實例對應有 k 個 mask 系數(shù)。

Loss 設計：Loss 由分類損失、邊界框回歸損失和 mask 損失三部分組成。其中分類損失和邊界框回歸損失同 SSD，mask 損失為預測 mask 和 ground truth mask 的逐像素二進制交叉熵。

Mask 裁剪：為了改善小目標的分割效果，在推理時會首先根據(jù)檢測框進行裁剪，再閾值化。而在訓練時，會使用 ground truth 框來進行裁剪，并通過除以對應 ground truth框面積來平衡 loss 尺度。

Emergent Behavior

在實例分割任務中，通常需要添加轉移方差。在 YOLACT 中唯一添加轉移方差的地方是使用預測框裁剪 feature map 時。但這只是為了改善對小目標的分割效果，作者發(fā)現(xiàn)對大中型目標，不裁剪效果就很好了。

Backbone 檢測器

因為預測一組原型 mask 和 mask 系數(shù)是一個相對比較困難的任務，需要更豐富更高級的特征，所以在網(wǎng)絡設計上，作者希望兼顧速度和特征豐富度。因此，YOLACT 的主干檢測器設計遵循了 RetinaNet 的思想，同時更注重速度。 YOLACT 使用 ResNet-101 結合 FPN 作為默認主干網(wǎng)絡，默認輸入圖像尺寸為550×550，如上圖所示。使用平滑-L1 loss 訓練 bounding box 參數(shù)，并且采用和 SSD 相同的 bounding box 參數(shù)編碼方式。 使用 softmax 交叉熵訓練分類部分，共(C+1)個類別。同時，使用 OHEM 方式選取訓練樣本，正負樣本比例設為 1:3. 值得注意的是，沒有像 RetinaNet 一樣采用 focal loss。

快速 NMS（fast NMS）

a.對每一類的得分前 n 名的框互相計算 IOU，得到 C*n*n 的矩陣X（對角矩陣），對每個類別的框進行降序排列。

b.其次，通過檢查是否有任何得分較高的框與其 IOU 大于某個閾值，從而找到要刪除的框，通過將 X 的下三角和對角區(qū)域設置為 0 實現(xiàn)。這可以在一個批量上三角中實現(xiàn)，之后保留列方向上的最大值，來計算每個檢測器的最大 IOU 矩陣 K。

c.最后，利用閾值 t（K

論文實驗

作者在 MS COCO 的 test-dev 數(shù)據(jù)集上對 YOLACT 和目前最好的方法進行了性能對比。本文的關注點在于速度的提升，且所有實驗都是在 Titan Xp 上進行的，故一些結果和原文中的結果可能略有不同。

實驗來驗證本文模型在不同大小輸入圖像情況下的性能。除了基本的 550×550 模型，還有輸入為 400×400 和 700×700 的模型，相應地也調整了 anchor 的尺寸（sx=s550/550*x s）。降低圖像大小會導致性能的大幅度下降，這說明越大的圖像進行實例分割的性能越好，但提升圖像尺寸帶來性能提升的同時會降低運行速度。

當然作者還做了關于 Mask 質量與視頻動態(tài)穩(wěn)定性相關的對比實驗，并詳細分析了優(yōu)劣緣由。詳見論文。

總結

YOLACT 網(wǎng)絡的優(yōu)勢：快速，高質量的 mask，優(yōu)良的動態(tài)穩(wěn)定性。

YOLACT 網(wǎng)絡的劣勢：性能略低于目前最好的實例分割方法，很多由檢測引起的錯誤，分類錯誤和邊界框的位移等。

此外，作者最后還提到了該方法的一些典型錯誤：

1）定位誤差：當場景中一個點上出現(xiàn)多個目標時，網(wǎng)絡可能無法在自己的模板中定位到每個對象，此時將會輸出一些和前景 mask 相似的物體，而不是在這個集合中實例分割出一些目標。

2）特征泄露（Leakage）：網(wǎng)絡對預測的集成 mask 進行了裁剪，但并未對輸出的結果進行去噪。這樣一來，當b-box 準確的時候，沒有什么影響，但是當 b-box 不準確的時候，噪聲將會被帶入實例 mask，造成一些“泄露”。