论文地址：http://openaccess.thecvf.com/content_ICCV_2019/papers/Yang_Video_Instance_Segmentation_ICCV_2019_paper.pdf

代码地址：https://github.com/ youtubevos/MaskTrackRCNN
新数据集：YouTube-VIS，地址：https:// youtube-vos.org/dataset/vis

字节跳动的大佬又开辟了新的task：Video Instance Segmentation，但今天看到已经算晚的了，2019年都已经办过比赛了。今天读一读这篇论文。

按照作者的定义，VIS是一个 aims at simultaneous detection, segmentation and tracking of object instances in videos.可算是把所有能用的方法都融合的很难的task了。

Problem Definition

这个任务的目标就是，把视频帧的每一个实例分割出来。与VOS不同的是，VOS不需要知道分割前景的label，VIS不仅要连续追踪，分割，而且要做到实例分割，那么就有一个难点：有的实例不是第一帧会出现的，这是与VOS不同的。

Evaluation Metrics

作者借用了实例分割使用的AP和AR两个指标，迁移到本任务里。

AP is defined as the area under the precision-recall curve. The confidence score is used to plot the curve. AP is averaged over multiple intersection-over-union (IoU) thresholds.

AR is defined as the maximum recall given some fixed number of segmented instances per video.

但是本任务IOU计算和image instance segmentation不同，计算如下，T为某一个视频的总帧数，m是binary segmentation mask.

也就是说，第一帧的时候，后面的都为0，只算第一帧的IOU，第二帧的时候，算第一帧和第二帧，其他为0，以此类推。

作者任务可以达到If the algorithm detects object masks successfully, but fails to track the objects across frames, it will get a low IoU这样的效果。

MaskTrack R-CNN

介绍一下论文作者用的网络，简单来说就是Mask-RCNN再加一个分支叫“Track Head”。

整个网络也是two-stage的，first stage就是对每一帧都产生各自的一系列object Bbox。

在Bbox Head 和 Mask Head 计算的同时，加一个 Track Head（2个全连接层），用于对每一个候选框分配一个instance label。

假设已经计算出了前一帧有N个instance，那么当前帧的候选框所属的label要么属于这N个，要么属于一个新的label。所以把这个当作N+1的分类问题，可以计算一个label n被分配给候选框i的概率：

这是一个多项式逻辑回归。可以看出，在算fi和fn的内积，那么问题来了，fn，fj，j∈[1,N]是哪来的？

其中fi是输入Track Head的当前帧的RoI Align的feature，而其他是前一帧存下来的feature（Memory）。

这里用一个CE Loss来约束Track Head，，y_i是对应实例label。

如果当前帧的候选框i对应的label属于前一帧的N个实例中的一个，那么Memory里的feature会更新；如果是一个新的label，那么Memory里也会添加一个新的feature。

训练的时候，随机挑选一对frames，一个做reference，一个做query。对reference只提取GT里instance region里的feature存到memory里，query frame会先在first stage里选出positive candidate bbox，在对它分配label。作者选择IOU 和GT bbox overlap超过0.7的做为positive。

整个网络的LOSS是：

但最后，所有cues整合，才能确认最终的对应的instance的分割，也即分配给每个bbox的label的score如下，本文是做一个后处理：

p_i是刚才的概率，s_i是置信度，b_i是bbox，c_i是class。这个方程只在测试时应用，不对训练做贡献。

作者发现，IOU和class consistency比较重要。而置信度只是轻微提升效果。

值得一提的是，Track Head只训了20个epoch，整个网络的处理速度是20fps。

指标的话好像没有那么强，现在看VIS数据集的比赛最高已经mAP0.446 了，哎，大神们动手都太快了。

2020年01月09日

【VIS】Video Instance Segmentation相关推荐

视频实例分割paper（一）《Video Instance Segmentation》
[主要贡献] 1.视频实例分割第一次被正式定义和探索 2.创建了第一个大规模视频实例分割数据集 2.9k视频 40个目标类别 3.提出一种新的视频实例分割算法MaskTrack R-CNN,在Mask ...
【HTML】video标签处理隐藏下载按钮等
[HTML]video标签处理隐藏下载按钮等隐藏下载按钮增加 controlsList="nodownload" 属性 <video controlsList=&quo ...
【BraTS】Brain Tumor Segmentation 脑部肿瘤分割3--构建数据流
往期回顾: [BraTS]Brain Tumor Segmentation 脑部肿瘤分割1–数据篇 [BraTS]Brain Tumor Segmentation 脑部肿瘤分割2–UNet的复现在上 ...
【VIS】Classifying,Segmenting,and Tracking Object Instances in Video with Mask Propagation
Abstract 在Mask-RCNN的基础上加一个在一段video clip中可以propagate instance masks的模块.这样可以参照clip最中间那个instances segme ...
【时序分割】【未完成】Greedy Gaussian Segmentation of Multivariate Time Series（贪心高斯时序分割---GGS）
文章题目:Greedy Gaussian Segmentation of Multivariate Time Series(2018年4月) 作者:David Hallac: Peter Nystru ...
h5禁用浏览器下载视频_【HTML5】video 标签禁用自带的下载按钮
h5自带的 video标签 ,会有个下载按钮,有时候想避免,就可以利用样式的方法 video::-internal-media-controls-download-button { display:n ...
【deeplab】Semantic Image Segmentation with Deep Convolutional Nets and Fully
deeplab有两篇论文,由于第二篇是在第一篇上增加了一部分内容,就放在一起进行学习了. 第一篇 Semantic Image Segmentation with Deep Convolutional ...
html video在手机上按钮位置问题,【前端】video在手机端封面有一个很大的播放按钮怎么去掉...
这个播放按钮怎么去掉好别扭啊回答 `video::-webkit-media-controls-start-playback-button { display: none; }` 不用video控件 ...
【IOG】Interactive Object Segmentation With Inside-Outside Guidance全文翻译
Interactive Object Segmentation With Inside-Outside Guidance翻译 Abstract 本文探讨了如何在最小化人类交互成本的同时获取精确的对 ...

【VIS】Video Instance Segmentation

Problem Definition

Evaluation Metrics

MaskTrack R-CNN

【VIS】Video Instance Segmentation相关推荐

最新文章

热门文章