他作为第一作者完成的研究Mask Scoring R-CNN，在COCO图像实例分割任务上超越了何恺明的Mask R-CNN，拿下了计算机视觉顶会CVPR 2019的口头报告。
实习生又立功了！
这一次，亮出好成绩的实习生来自地平线，是一名华中科技大学的硕士生。
他作为第一作者完成的研究Mask Scoring R-CNN，在COCO图像实例分割任务上超越了何恺明的Mask R-CNN，拿下了计算机视觉顶会CVPR 2019的口头报告。
也就是说，它从5000多篇投稿中脱颖而出，成为最顶尖的5.6%。
无论搭配的基干怎么变，表现一直稳定，总是比Mask R-CNN好一点。
可谓青出于蓝而胜于蓝。
并且，他们的算法已经开源了（传送门在文末）。
给蒙版打分
Mask R-CNN，一种简洁、灵活的实例分割框架，大神何恺明的“拿手作”之一。自2017年一出场就惊艳了四方研究者，何恺明也借此一举拿下ICCV 2017最佳论文奖。
△ 何恺明
新鲜出炉的Mask Scoring R-CNN，性能是怎样超越前辈的呢？
关键就在名字里的“打分”（Scoring）。这篇论文中，研究人员提出了一种给算法的“实例分割假设”打分的新方法。这个分数打得是否准确，就会影响实例分割模型的性能。
而Mask R-CNN等前辈，用的打分方法就不太合适。
这些模型在实例分割任务里，虽然输出结果是一个蒙版，但打分却是和边界框目标检测共享的，都是针对目标区域分类置信度算出来的分数。
这个分数，和图像分割蒙版的质量可未必一致，用来评价蒙版的质量，可能就会出偏差。
于是，这篇CVPR 2019论文就提出了一种新的打分方法：给蒙版打分，他们称之为蒙版得分（mask score）。
△ MS R-CNN架构
Mask Scoring R-CNN中提出的计分方式很简单：不仅仅直接依靠检测得到的分类算分，而且还让模型单独学一个针对蒙版的得分规则：MaskIoU head。
MaskIoU head是在经典评估指标AP（平均正确率）启发下得到的，会拿预测蒙版与物体特征进行对比。MaskIoU head同时接收蒙版head的输出与ROI的特征（Region of Interest）作为输入，用一种简单的回归损失进行训练。
最后，同时考虑分类得分与蒙版的质量得分，就可以去评估算法质量了。
评测方法公平公正，实例分割模型性能自然也上去了。
实验证明，在挑战COCO benchmark时，在用MS R-CNN的蒙版得分评估时，在不同基干网路上，AP始终提升近1.5%。
优于Mask R-CNN
下面的表格，是COCO 2017测试集（Test-Dev set）上MS R-CNN和其他实例分割方法的成绩对比。
无论基干网络是纯粹的ResNet-101，还是用了DCN、FPN，MS R-CNN的AP成绩都比Mask R-CNN高出一点几个百分点。
在COCO 2017验证集上，MS R-CNN的得分也优于Mask R-CNN：
作者是谁？
第一作者，名为黄钊金，华中科技大学的硕士生，师从华中科技大学电信学院副教授王兴刚，王兴刚也是这篇论文的作者之一。
其他的作者，分别是地平线的Chang Huang、Yongchao Gong和Lichao Huang。
如果你对这项研究感兴趣，请收好传送门：
Mask Scoring R-CNN论文：
https://arxiv.org/abs/1903.00241
GitHub地址：
https://github.com/zjhuang22/maskscoring_rcnn
Mask R-CNN的其他优化思路
在此之前，也有人提出了优化Mask R-CNN的思路。
比如，香港中文大学、北京大学、商汤科技、腾讯优图在CVPR 2018发表的一篇论文，提出了一个名为PANet的实例分割框架。
优化了Mask R-CNN中的信息传播，通过加速信息流、整合不同层级的特征，提高了生成预测蒙版的质量。
在未经大批量训练的情况下，就拿下了COCO 2017挑战赛实例分割任务的冠军。
论文地址：
Path Aggregation Network for Instance Segmentation
https://arxiv.org/abs/1803.01534
代码地址：
https://github.com/ShuLiu1993/PANet
