背景

不同于语义分割，实例分割不仅需要输出图像的语义蒙版，还要对图像中不同的实例作区分。如下图所示，实例分割任务需要多不同的羊做区分，输出不同的实例蒙版。

由于图片中实例个数的不确定性，实例分割一直以来都是比较难的话题。因此在端到端的方法问世之前，大多数方法可以分为两类：一类是先做目标检测，提出包围盒，然后从包围盒中分割出语义实例，比如 mask RCNN。另一类是给每个像素预测出一个向量表示，然后基于向量表示进行聚类。如果想要了解这两类方法的一些具体做法，可以参考 SOLO 这篇论文中的一些讨论。我们今天主要介绍的也是SOLO这篇文章的算法，其可以说是第一篇能做到端到端训练实例分割任务的模型，不要任何包围盒的辅助。

工作

SOLO这篇工作中提出了三个模型，分别是SOLO HEAD，Decoupled SOLO Head，Decoupled SOLO Light Head。我们今天把Decoupled SOLO Light Head的架构拿出来进行分析，方便大家深度了解这篇工作。

首先，如果输入是 288x384, 那么其网络的数据流和架构如下所示：

网络由三部分组成，分别是骨干网络resnet，fpn，solo head 这三个模块。
在图示中，蓝色模块表示卷积, 橙色块表示上采样, 如果橙色块的值为-1表示采样到上一层特征图大小。如果橙色块的值为2表示长采样2倍。灰色的块有 gridX文本, 表示会对feature map resize到(X, X) 大小。白色的块表示不包含batch_size 的特征维度。

在SOLO中很重要的一点是如何表示不同的实例，并从网络的输出中提取出不同的实例。
SOLO采用了这样的解决方法，对于不同的实例，认为每个实例的中心点的位置是不同的。在实际应用中，可以对图像进行划分，比如划分成12x12的网格(后面都用12x12来举例子)，规定不同实例的中心点不会落在相同的网格上。通过这种定义，SOLO就可以通过一个类似语义分割模型的mask head进行实例的预测，而语义类别的个数就是划分得到的格子的数量。
除了得到每个实例的mask之外，SOLO模型还需要确定每个实例的语义，也就是通过 classification head得到具体的语义类别。classification head的实现就比较简单，会直接将特征图 resize到 12x12, 对网格中的每个特征进行语义分类。具体某个实例的语义类别，就通过取实例中心对应网格位置的分类结果得到。

总结

总的来说，SOLO这个模型稍微有些复杂，目前在实例分割方面已经有了一些更好的基于transformer的工作，比如mask2former等。SOLO的缺点很明显，其生硬地认为不同的实例中心位置应该不一样，并不适用于某些情况。另外，SOLO在处理不同大小实例的时候不够灵活，不同的分支只能输出固定范围内的实例mask，非常耗费计算力。