本文主要是介绍4.Mask R-CNN/YOLOV8/RTMDET三种实例分割方法推理逻辑对比，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
欢迎访问个人网络日志🌹🌹知行空间🌹🌹
Mask R-CNN/YOLOV8/RTMDET三种实例分割方法推理逻辑对比
实例分割是同时检测与分割，即在检测出检测框的同时分割出检测中的对象。这样，不仅实现了语义分割，同时区分出了同类别的不同的对象。
以human这个类别为例，
检测任务：
分割任务：
实例分割：
从上面这个例子可以看出，检测任务定位了对象的包围框，语义分割分割出了人这个类别，不过把所有的人一起分割了，实例分割区分出了每个人，并分别进行了分割。
实际在做实例分割时，通常同时输出对象的检测框，并给出对象的分割结果。下面介绍三种常见的实例分割算法。
Mask R-CNN
首先是Mask R-CNN，在目标检测中有介绍过Mask RCNN是FAIR的何凯明等于2017年03月提交的论文Mask R-CNN中提出的，该算法同时支持目标检测\实例分割\关键点检测的任务。
论文:Mask R-CNN
代码:detectron2
在这里，不再介绍Mask RCNN的backbone和neck部分，关于RPN和ROI Pooling的介绍可以参考之前的文章：
1.ROI Pooling 与 ROI Align
2.Region Proposal Network
这里只讨论RoI Pooling后的Head部分，
Mask R-CNN同时支持输出检测框，实例分割结果，关键点，这里我们只讨论Mask Head部分，即上图中的右侧绿色分支。
值得注意的是，上图是粗略表示，关于proposal在Head中的使用和Mask/Box/KeyPoint Head之间的关系可以参考下面两个图。
在训练时，Mask/KeyPoint Head都使用proposal框来当作检测box框选对象，如下图蓝色线流所示：
在预测时，Mask/KeyPoint Head不再使用proposals转而使用Box Head预测的检测框来框选对象，因此Mask/KeyPoint Head依赖检测框的输出，如下图紫色线流所示意，
Mask R-CNN的Mask Head分析如下，整理自detectron2代码库：
Mask Head的输入有两个，一个是bounding boxes或者proposals(测试推理时使用boxes,训练时使用RPN给出的proposals),另一个是backbone提取的feature map。
Mask Head的结构如上图，先是对feature map根据bounding boxes做ROI Pooling,得到每个ROI的特征图，然后是连续几层常规卷积，最后再跟一层转置卷积进行X2上采样，同时卷积输出通道变成num_class，得到的输出shape=(B*N,num_class, 28, 28)，这里28x28就是ROI区域对应的mask,这里对每个对象预测了num_class个mask,在Mask R-CNN中，直接使用Box Head预测的label id来取对应的mask并sigmoid以作为最终当前实例的分割结果。
转置卷积的介绍参考这里转置卷积。
得到28X28的实例ROI分割结果后，要将其变换到原图像上，这里使用了grid_sample方法，使用grid_sample变换，会根据box坐标将ROI Mask变换到原图像box所处的区域。变换后再根据超参数阈值对mask做二值化即可得到最后的分割结果。
后记： 这里有个疑问，所有的ROI无论大小都使用了同样大小尺寸的ROI Feature Map都是28x28,但是正常难道不应该对大目标使用大尺寸，小目标使用小尺寸吗？
YOLOV5/8实例分割方法
YOLOV5/8中使用的Instance分割方法和Mask RCNN中区别比较大，
其利用Head1中尺寸最大的特征图作为Mask分支的输入，经过proto_pred卷积层的处理得到shape:(B, mask_channel, H, W)的mask_feature。
检测框的预测分支和目标检测中的YoloV5 Head基本相同，除了对于feature_map的通道上增加了计算每个实例掩码用的参数，参数的数量同proto_pred输出的mask_channel，所以对于80X80/40X40/20X20的feature_map，其通道数为: 4 + 1 + num_classes + mask_channel
拿到解码后的检测框，经过nms处理后得到最后的检测框,取对应的mask_channel个coeffs和mask_feature相乘加权即可得到最后的实例分割结果，完整过程如下图：
RTMDet中的实例分割
RTMDet中和YOLOV5处理方式很相似，都是对每个检测框实例计算坐标时同时给出预测mask所需的权重参数，区别在与YOLOV5/8中直接用参数和mask_feature进行加权求和，而RTMDET预测了169个参数，构造了3层卷积，来和mask_feature运算得到分割mask。
还有一点RTMDet中mask_feature 并非只使用了80X80的feature map,它还将其余两个头上的特征图上采样后与其进行concatenate，输入mask_feature分支后得到Batch_SizeX8X80X80的mask特征图。特征图并不能直接用来和predicted kernel卷积得到Instance Mask,RTMDet算法使用的mask feat先重复了检测实例的个数次，然后合并了检测框在特征图上的坐标，最后与predicted kernel做卷积的输入mask特征图变成了(N,10,80,80)。
RTMDet实例分割推理的完整过程可参考下图，
RTMDet根据predicted_kernel升成卷积的方法被称为动态卷积Dynamic Convolution,如下图，
欢迎访问个人网络日志🌹🌹知行空间🌹🌹
如上，就是Mask R-CNN/YOLOV8/RTMDet三种实例分割的方法，总结来看，YOLOV8/RTMDet方法相似，RTMDet处理mask预测的方法更复杂一些，YOLOV8中的加权求和变成了三层卷积,输入的特征图重复了num_instance次，并合并了mask_feature上对应的priors和num_instance对应点的相对坐标。YOLOV8/RTMDet输出Instance Mask的分辨率比Mask RCNN要大，Mask RCNN经过转置卷积上采样后输出的RoI分割图的大小是28X28,经过GridSample后还原到原分辨率上。不过Mask R-CNN输出的是RoI的分割图，而YOLOV8/RTMDet输出的是在整幅图像上的分割图。
1.https://github.com/ultralytics/ultralytics.git
2.https://arxiv.org/abs/2212.07784
3.https://github.com/facebookresearch/detectron2.git
这篇关于4.Mask R-CNN/YOLOV8/RTMDET三种实例分割方法推理逻辑对比的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
