量子位 出品 | 公众号 QbitAI
何恺明大神的团队又有新研究了！
这一次，Facebook的陈鑫磊、何恺明等人，又从全新的角度，再次解决了实例分割任务中的难题：
他们提出一种通用的实例分割框架TensorMask，弥补了密集滑动窗口实例分割的短板。
在COCO数据集上进行测试实例分割结果可以发现，TensorMask的效果可以比肩Mask R-CNN。
这是种怎样的新方法？
4D张量
在论文TensorMask: A Foundation for Dense Object Segmentation中，研究人员详细介绍了通用框架TensorMask。
此前，实例分割的主流方法是Mask R-CNN。在这种方法中，模型先检测物体的边界框，然后进行裁剪和目标分割。
但是，密集滑动窗口的实例分割 (Dense Sliding-window Instance Segmentation)却鲜少被人关注。在这种方法中，每个空间位置的输出本身具有自己空间维度的几何结构，与Mask R-CNN有本质上的区别。
为了形式化说明这一方法，研究人员将密集实例分割看作是4D张量（4D tensors）上的预测任务，并提出通用框架TensorMask获取这种几何结构。
TensorMask的核心变化是，用结构化的高维张量表示一组密集滑动窗口中的图像内容。
TensorMask中包含两部分，一是预测蒙版的Head，负责在滑动窗口中生成蒙版，二是进行分类的Head，负责预测目标的类别。
两者分工明确，各司其职。
在COCO数据集上进行实例分割检测可以发现，TensorMask在test-dev上的平均精度达到了35.5，与Mask R-CNN的36.8非常接近。
结果证明，在定量和定性上，TensorMask均接近Mask R-CNN。
中国少年×2
这项新研究的背后，少不了中国研究人员的足迹。
论文一作是中国少年陈鑫磊，目前就职于Facebook，一路走来其研究经历闪闪发光。
陈鑫磊在浙江大学攻读计算机科学专业学习时，师从蔡登教授。本科毕业后奔赴CMU攻读博士，师从Abhinav Gupta教授，主要攻读计算机视觉方向。
在博士毕业前，陈鑫磊在Google Cloud AI部门实习过，当时在李飞飞和李佳两位大牛的项目组内。
在陈鑫磊的个人主页上可以看到，其参与过的多篇论文都被顶会接收。
三作何恺明大家应该不陌生，作为Mask R-CNN的主要提出者，何恺明三次斩获顶会最佳论文。
何恺明曾是广东高考状元，并保送了清华。本科毕业后，何恺明进入香港中文大学读研。期间继续在微软亚洲研究院参与研究，现也就职于Facebook。
论文的二作Ross Girshick和四作Piotr Dollar陈鑫磊和何恺明在Facebook的同事，顶会论文Mask R-CNN、Focal Loss for Dense Object Detection等，都是三人曾合作开展的研究。
有友如此，甚好甚好。
传送门
论文TensorMask: A Foundation for Dense Object Segmentation：
https://arxiv.org/abs/1903.12174
论文中表示，研究结果将于不久后开源~
值得期待。
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ’ᴗ’ ի 追踪AI技术和产品新动态
“
