论文：CenterMask: Single Shot Instance Segmentation with Point Representation
0.简介
惯例，有请作者自己介绍——摘要：
- 将实例分割分为两个子任务：局部形状预测——区分实例即使重叠在一起；全局显著性生成——对整个图像进行pixel-to-pixel分割。
- 局部信息取自物体中心点（center points）的表示。（请见我在第一节中补充的 CenterNet部分）
- 在COCO上34.5maskAP，12fps。
作者认为单阶段实体分割现在有两个主要挑战：
- 如何区分实体，尤其是同类别，重叠的情况。
- 如何保留像素级的局部位置信息。双阶段和单阶段方法都面临这一像素对齐问题，即特征结果转换为原始物体大小，或利用固定个数的点对轮廓进行描述（如PolarMask?），无法保留原始图像的空间信息。
作者也将目前单阶段实体分割模型分为两类：
- 基于全局图像的方法。一般先生成全局特征图，然后特征组合生成最终Mask。优点是能较好保留位置信息，实现像素级的特征对齐（pixel-to-pixel alignment）；缺点是难以解决重叠遮挡问题。如YOLACT。
- 基于局部图像的方法。优点是利于解决重叠遮挡问题；但分割精度不足，即不能较好保留位置信息。
而CenterMask同时包含一个全局显著图生成分支和一个局部形状预测分支。分割既精细准确又能区分不同实例。
1.CenterMask结构
CenterMask模型的主要思想就是，把实例分割分为两个子任务：一个负责预测粗糙但是实例敏感的局部形状，另一个负责预测精确但是实例不敏感的全局显著图。
另外一个显著特点是，CenterMask基于CenterNet的工作，用center point建模物体，是anchor-free的。这就是上图所示的point representation。没有看过CenterNet的话学习CenterMask可能从始至终都会有很多疑惑，所以我们先来看一下另一篇工作：Objects as Points （CenterNet）
CenterNet：Objects as Points
We model an object as a single point — the center point of its bounding box.
正如论文标题及原文摘要的这句话，CenterNet的作者将每个物体建模为一个点——bounding box的中心点（center point），物体的其他属性通过回归来预测，预测哪些属性由特定任务决定，如尺寸、3D位置、方向甚至姿态等。
具体算法流程为：
-
输入图像，主干网络提取特征，得到特征图。
-
后接三个平行Head网络，分别生成生成：
-
HeatMap。即用来center points的keypoint heatmap；这一分支也负责了分类，输出中一个类别对应一个channel。
-
Offset。调整center points的位置，以恢复特征图与原图之间不对齐问题造成的偏差（ to recover the discretization error caused by the output stride. ）
-
Size。即预测center point代表物体的大小。
-
-
通过HeatMap找peak，其反映的就是center points（这里的peak定义为局部最大，找的方法就是某点比8邻域都大的，通过3×3的maxpooling实现，类似于NMS。这就是作者提到的一个优点——CenterNet无需NMS）。Offset对center point位置进行调整，然后size在此point location上显示物体大小。
对于其他的任务，可以设计添加不同的分支：
CenterMask
如上图所示，下面的两个分支，我们在CenterNet中已经简单说明，详情可学习CenterNet的原文了解，也是一项很好的工作，值得一学。下面我们还是将镜头拉回这次的主角，负责预测实例mask的上面的分支（其实size分支和CenterNet中的size基本一样的，只不过这里也同时和shape分支合作预测local shape）。
先说CenterMask的整体流程，图像输入到Hourglass network中提取特征，得到center points之后(每一个center point就是一个实例对象)，shape和size分支预测出Local shapes，同时saliency分支生成全局显著图，然后这两个结果做Hadamard矩阵乘，得到最后结果。下面详细展开：
2.Local Shape Prediction
P为主干网络提取出的特征图，H×W为shape和size分支生成特征图的大小，shape分支通道为(S^2)，(F_{shape}in mathbb{R}^{H×W×S^2})，size分支通道为2（即长宽h&w）。对于一个在feature map的center ponit ((x,y))，它的形状被提取在(F_{shape}(x,y))，向量尺寸为(1×1×S^2)，然后reshape为S×S，再结合size的输出h&w，resize为h×w，至此就得到了代表着一个实例对象的center ponit对应的局部形状结果。这一结果因为是由每个center point来的，所以能够很好区分即使同类重叠的实例对象，但由于是尺寸固定的形状向量((s×s))只能预测出比较粗糙的mask，所以还需要下面的Global Saliency Generation来提升分割的精度。
3.Global Saliency Generation
这一分支作为一种校准机制来调整local shape的Mask结果。将生成一张全局显著图，这张图的目的是表示每一像素的显著性，也就是说这个像素是否属于一个物体的区域。
是一个FCN网络来对每个像素分类，但与标准语义分割的FCN不同，最后不适用softmax，而是对对每一类使用sigmoid进行二分类，避免类间竞争。（与MaskRCNN一样）
另外，有两个模式：
- 类别不可知（class-agnostic），生成H×W×1的二值map。
- 类别明确（class-specific），生成H×W×C的二值map，每一通道都是一个类别对应的map。
4.Mask Assembly
最后对local shape和global saliency进行整合得到最后结果，local shape (L_{k}in mathbb{R}^{h×w})，把global saliecny也切割为一个个的(G_{k}in mathbb{R}^{h×w})，然后分别用sigmoid整合到(0,1)的区间，最后两者做Hadamard乘积（就是两矩阵对应元素分别相乘）：
我们看下图来直观理解,only local shape、only global saliency 以及 两者结合的CenterMask效果，两者的特点还是很明显、很符合本文理论论述的：
5.Loss Fuction
整体LossFunction由四部分构成，其中最后一部分(L_{mask})是实例分割mask的，我们先看这部分。
需要注意的是，Mask由local shape和global saliency两个分支组装得来，但实际训练时并没有为这两个分支网络设置各自单独的loss，而是直接对整个mask结果做惩罚。N是实例的个数，Bce表示对于像素的二分类交叉熵。
其余三项损失并不是本文提出的，而是直接沿用了CenterNet的，在那篇文章和文本都有介绍，下面我们来一项一项过一下：
(L_p)为预测center points（heat map）的一个focal loss，(Y)是heatmap的ground truth，(hat{Y}_{ijc})是在预测出的heatmap中位置（i，j）对于类别c的得分。(alpha) 和 $eta (的是focal loss的超参，应是延用CenterNet的数值（)alpha=2, eta=4$）。
offset的loss采用L1的形式。(hat{O})是预测出的偏移offset；p表示ground truth的center point；R是output stride，比如原图像是400×400，而分割是在50×50的特征图上做的，则output stride就是8，低分辨率的( ilde{p}=lfloor frac{P}{R} floor)，这其中的还原取整操作会带来误差，所以需要offset分支产生偏移来矫正。
这一项就非常简单了，分别表示预测出的size和ground truth的size（h，w）。
最后，这四项参数线性组合时的权重分别为1，1，0.1，1。使用Adam迭代更新。
参考及引图：
https://arxiv.org/pdf/1904.07850.pdf
https://tech.meituan.com/2020/05/21/cvpr2020-centermask.html