anchor free新思想

文章提供新思路把实例分割分解为两个分支：local shape和global Saliency。含义很简单一个局部一个全局。local shape可以用来进行分类也可以区分开不同的实例。global saliency类似于全卷积网络，生成语义分割图像。二者结合就可以完成实力分割任务。

pipeline

提取到featuremap后分为5路。heatmap用来定位中心点和分类。offset用来中心点预测偏移量。size用跟据heatmap和offset得到的中心点对每一个点预测BB的长和宽。saliency就是全局的语义分割。 shape分支理解了很久看了https://www.cnblogs.com/importGPX/p/13466259.html#2local-shape-prediction

终于明白一点。在我们等到featuremap WxH一点后，其大小为1x1xS^2，把他reshape成SxS，在进行resize成hxw，这是SxS就代表了一个实例中各个像素块的信息了，对于局部的mask在这时已经建立完成。