https://github.com/youngwanLEE/CenterMask
网络结构
实验效果
主要工作：
1、将Mask RCNN的检测分支替换为FCOS检测器
2、在分割分支中引入Spatial Attention Guidence
3、提出VoVnet的改进版——VoVNetv2：
增加shortcut变为residual block
将SE block中降低通道维度的FC层去掉，保持通道维度不变
具体改进：
Adaptive RoI Assignment Function
由于RoI来源于不同层级的特征图，一般的做法是参考FPN，将小尺度的RoI分配给高分辨率（低层）的特征图，将大尺度的RoI分配给低分辨率（高层）的特征图，分配算法为：
上式强依赖于ImageNet的预训练，固定为224的相对值，不适应尺度变化。更何况单阶段检测器与双阶段检测器也使用了不同的特征层级，因此将上式改为：
，限定最小值为3，最大值为5，
分别代表输入图片和RoI的面积。自适应地根据RoI占原图的比例进行分配，有效改善小目标的AP。
Spatial Attention-Guided Mask
在mask分支中插入空间注意力模块，RoIalign提取分辨率为14x14的特征后，后接两个卷积层+一个空间注意力模块+两个卷积层，空间注意力模块首先按通道分别进行最大值和平均值池化，concat之后接3x3卷积，然后经过sigmoid函数与原输入相乘，类似于CBAM中空间注意力模块。
VoVNetv2
VoVNetv2的改进
增加残差连接
去掉SE中的第一个降低通道数的FC，只使用一层FC，称之为Efficient SE。
VoVNetv2实验结果
对比实验
