基于对抗训练的快速图像实例分割研究

面向复杂交通路况图像的快速目标检测和实例分割技术是实现无人驾驶的关键,现有两阶段分割方法通过多步骤执行检测分割任务,耗时长且在目标定位后存在大量特征处理。为此,提出一种结合生成对抗网络和目标检测的快速实例分割模型(FISAT)。首先在目标检测网络中引入并行分支生成掩码,对每个交通实例对象进行分割;然后加入ROI类损失对每类掩码进行学习并用感知损失保存掩码图像信息;最后使用谱归一化解决生成对抗网络训练过程中的慢收敛问题。在MSCOCO基准测试上,FISAT目标分割每秒帧(FPS)可达到47.0,为MNC和FCIS的5倍。在分割优化上,使用Darknet提取器的FPS达到43,相较于Resnet提取器提高8.0。在平均精度(AP)上,FISAT相较于两阶段Mask-RCNN提高7%,相较于一阶段方法平均提高24%。