本文主要是介绍【VIS】Video Instance Segmentation，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！
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
这篇关于【VIS】Video Instance Segmentation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！
