Polar Mask笔记

参考(CVPR20’Oral) PolarMask: 一阶段实例分割新思路 - Johnny ez的文章 - 知乎
https://zhuanlan.zhihu.com/p/84890413
振奋人心的一篇文章，看完启发很大

基于FCOS(一个anchor free的目标检测网络)

创新点

新的分割结果表示方法

（1）不是用普通的mask，而是找轮廓点
（2）不是用直角坐标系，而是用极坐标
极坐标的好处：
中心点的位置已知固定的情况下，轮廓点的位置只需要一个d就可以表示

这样36个轮廓点只需要36个d就能表示

（3）中心点centerness：用来对正样本reweight

gt的中心点：重心
prediction的中心点：希望中心点到各个轮廓点的距离差不多



预测出的中心点对应的d，算出polar centerness，如果较大，这个中心点的权重就会较低(根据score排序的时候可能就会被筛掉)

（4）极坐标如何计算IOU？

Polar IoU Loss

交集的面积是分子，并集的面积是分母。
这里是取接近0的夹角计算扇形面积然后积分
扇形面积公式：

R是半径，$|\alpha|$∣α∣就是夹角，也就是这里的$d\theta$dθ
离散化并且简化：

说一下最后(8)为什么加了个log并且交换分子分母
(7)是预测结果的IOU，而我们期望的IOU是1，也就是gt是1，根据交叉熵的公式：

p(x_i)=1，q(x_i)就是(7)
于是就变成了(8)
有一个问题：
有个疑惑，计算IOU的时候，gt的d是知道的，但预测的$\tilde{d}$d~是图中那个$\tilde{d}$d~吗？预测的$\tilde{d}$d~不应该是预测的中心点到预测的轮廓点的距离吗，怎么会是gt的中心点到预测的轮廓点的距离呢。还是这个$\tilde{d}$d~是计算出来的？有点好奇是怎么算的，转换为直角坐标再算的吗？
问了一下作者。等待作者回复后补充。

Performance

Polar centerness裸涨1.4个点
Polar IOU loss裸涨2.6个点

细节

gt如何找到那36个点？
(1)遍历边缘点，计算其与中心点的夹角、距离，找36个点。
(2)如果mask比较小，轮廓比较少，有些角度没有，就找接近的。
(3)如果一个角度对应多个值：找最大值
(4)本来不需要nms，如果要做，可以对结果的mask做最小外接框
缺点
对中心有空比如甜甜圈形状的物体效果比较差，此时计算d用的最大值

下一目标：FCOS阅读