实例分割
实例分割是计算机视觉领域的一项重要任务，旨在将图像中的每个像素分配给其对应的物体实例，并为每个实例生成边界框。 与语义分割任务不同，实例分割要求模型在像素级别上对不同的物体实例进行区分，而不仅仅是对物体类别进行分类。
预置模型 |
模型特点 |
mask-rcnn_resnet50 |
Mask R-CNN 是 Faster R-CNN 的扩展，通过在 Faster R-CNN 的 基础上添加一个分支来预测每个检测到的目标实例的二进制掩码。 Mask R-CNN 在目标检测的同时，为每个检测到的目标生成一个精 确的分割掩码，从而实现了实例级别的物体分割。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
cascade-mask-rcnn_resnet50 |
Cascade Mask R-CNN 是 Mask R-CNN 的一种改进版本，旨在进一 步提高实例分割的性能。Cascade Mask R-CNN 引入了级联结构， 通过级联的方式逐步提升模型的性能，对小目标和和难以区分目 标的精度有明显提升。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
yoloact_resnet50 |
YOLOACT 是一种用与实时实例分割的全卷积网络，相比 Mask R-CNN 它采用单阶段的设计，推理速度更快。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
boxinst_resnet50 |
BoxInst 的核心思想是对实例分割的 loss 进行改进。它提出了两 种损失函数：1、最小化真值框投影和预测的实例掩码的差异； 2、最小化颜色相似像素的类别差异。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
condinst_resnet50 |
CondInst（Conditional Convolutions for Instance Segmentation）是 一种基于条件卷积的实例分割算法。CondInst 的关键思想是在每 个像素级别上使用条件卷积，通过利用全局上下文信息和局部特征 来指导实例分割。具体而言，CondInst 通过对每个像素点应用不同 的卷积核，根据该像素点所属的实例以及全局上下文信息来动态地 调整卷积核的参数，从而实现了精确的实例分割。此外，CondInst 还引入了两个关键模块：条件卷积模块（CCM）和实例特征对齐模 块（IFAM），用于实现条件卷积和特征对齐。这些模块使得 CondInst 能在不需要显式的实例中心点或边界框的情况下， 实现高效的实例分割。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
groie_resnet50 |
GRoIE 模型基于 Mask R-CNN 模型对 RoI（Region of Interest）提取 层进行了改进，通过注意力机制聚合了来自多层 RoI 特征。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
htc_resnet50 |
HTC 模型是对 Cascade Mask R-CNN 的改进，它的核心思想是将目 标检测和实例分割任务组合起来，形成一个级联的任务流。具体而 言，HTC 通过级联多个检测和分割阶段，逐渐提高模型对目标的 定位和分割精度。HTC 对小目标和重叠目标更加友好。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
queryinst_resnet50 |
QueryInst 模型通过一组可学习的查询向量来表征实例对象，并使 用一组统一的方式表示实例的类别、边界框、实例掩码和实例 ID。 该模型使用 resnet50 作为 backbone 提取图像特征。 |
solo_resnet50 |
SOLO（Segmenting Objects by Locations）是一种单阶段的高效实例 分割算法，它将图像划分为网格，并为每个网格单元预测目标的类 别和实例信息。该模型使用 resnet50 作为 backbone 提取图像特征。 |