00000cj的博客

本文针对SOLO中存在的三个影响性能的瓶颈提出了对应的优化方法，提出了SOLOv2。

Fast-NMS&Matrix-NMS

本文提出了一种新的实例分割算法SOLO（Segment Objects by Locations）， 提出了一种全新的实例分割视角，将实例分割任务转换为一个分类可以解决的问题。具体而言，SOLO通过引入“实例类别”的概念，根据实例的中心位置和大小将类别分配给每个像素，从而将实例分割任务简化为一个分类问题。这样可以直接在像素级别生成实例掩码，而无需边界框或像素嵌入学习和分组处理。

本文提出的CoordConv是对标准卷积层的一个简单延伸，这里只考虑二维的情况。卷积在很多任务中都表现良好可能是由于下面三个因素：学习参数较少、在GPU上计算快、具有平移不变性。CoordConv保留了前两个特性，但是允许网络根据任务需要学习保留或丢弃第三点即平移不变性。丢弃平移不变性似乎会阻碍网络学习可泛化函数的能力，但在后续实验中可以看到，分配少量的网络容量来建模问题的non-translation invariant非平移不变性可以得到一个更容易训练的模型并且泛化能力更强。

信息在神经网络中的传播方式是非常重要的。本文提出的路径聚合网络（Path Aggregation Network, PANet）旨在促进proposal-based实例分割框架中的信息流动。具体来说，通过自底向上的路径增强，利用底层中精确的定位信息来增强整个特征层次，缩短了下层与最上层之间的信息路径。本文还提出了自适应特征池化（adaptive feature pooling），它将特征网格和所有层级的特征连接起来，使每个特征层级上有用的信息直接传播到后面的proposal subnetworks。此外还增