FastInst是一种简单的基于查询的图像分割框架。它的关键设计包括实例激活引导的查询、双路径更新策略和真值掩码引导的学习。这些组件使我们能够使用更轻量的像素解码器、更少的Transformer解码器层,同时获得更好的性能。 实验表明,FastInst在速度和准确性方面优于大多数最先进的实时实例分割模型,包括强大的全卷积网络基线。其结构示意图如下所示
以下是一些实验结果
本模型适用范围较广,能对图片中包含的一般物体(COCO 80类)进行实例级别的分割。
在ModelScope框架上,提供输入图片,即可通过简单的Pipeline调用来使用。
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
input_img = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_instance_segmentation.jpg'
segmentation_pipeline = pipeline(Tasks.image_segmentation, 'damo/cv_resnet50_fast-instance-segmentation_coco')
result = segmentation_pipeline(input_img)
测试时主要的预处理如下:
模型在COCO2017val上进行测试,结果如下:
Backbone | Pretrain | Epochs | mask mAP | #params | GFLOPs | FPS (V100) |
---|---|---|---|---|---|---|
ResNet50 | ImageNet-1k | 50 | 37.9 | 34M | 75.5 | 35.5 |
更多结果请参见原论文。
如果你觉得该模型对你有所帮助,请考虑引用下面的相关论文:
@article{he2023fastinst,
title={FastInst: A Simple Query-Based Model for Real-Time Instance Segmentation},
author={He, Junjie and Li, Pengyu and Geng, Yifeng and Xie, Xuansong},
journal={arXiv preprint arXiv:2303.08594},
year={2023}
}