對於目標檢測，從滑動視窗時代開始，我們已經習慣了候選區域特徵提取然後分類的套路，深度學習時代強大的特徵表示能力讓我們能夠探索不一樣的道路，比如：
ECCV18 Oral | CornerNet目標檢測開啟預測“邊界框”到預測“點對”的新思路
通過定位特定語義點來定位目標。
而且Anchor-Free方法越來越流行，預先定義的Anchor降低計算量的同時，卻已經成為限制目標檢測精度提高的因素。
今天跟大家分享的一篇文章《Segmentation is All You Need》，可能又要顛覆大家的認知，我們不僅不需要Anchor，甚至我們思考目標檢測的方式都被侷限了！
論文作者資訊：
論文作者來自牛津大學、湖南農業大學、SnowCloud公司。該論文已投NeurIPS 2019。
提出問題
在現代目標檢測應用中，目標部分被遮擋、環境光照差和目標相對場景過小等依然難以被解決。
下圖展示了這些極端的例子：
這些難以處理的情況幾乎都和演算法能夠選擇或者預定義正確的、尺度合理的候選區域有關係。
而計算機視覺任務中的分割，不對目標做任何位置和尺度的假設，對畫素進行無差別分類。
目標檢測可否直接用分割來完成呢？這就是作者要解決的問題。
演算法思想
既然是用分割來做目標檢測，那就需要有標註好的分割資料集。
作者使用目標檢測資料庫中目標的包圍框來計算目標的mask，即弱監督標註。
請看下面的例子：
上面的影象來自我愛計算機視覺曾經報導的“數鋼筋”大賽DataFountain新上計算機視覺比賽-20萬鉅獎數鋼筋，在這些鋼筋端部的包圍框上計算內接橢圓，其包含的區域即可以認為是目標的弱監督畫素級標註了。
就像下面這幅蘋果影象，你很容易通過包圍框簡單得到蘋果的大致區域。
完整的演算法示意圖如下：
首先是生成弱監督標註資料，然後使用這些資料訓練語義分割（不是例項分割），推斷的時候，語義分割的結果轉化為二值影象，最後使用輪廓提取演算法找到不同的目標個體。
影象中往往有複雜的遮擋，比如：
這需要在製作目標畫素級標註時考慮到，下圖是將目標包圍框轉化為畫素級標註的細化：
作者稱這種標註方法為multimodal annotations（多模標註）。
推斷時，對二值影象進行輪廓查詢，作者設計了Run-data-based tracing 演算法。
查詢到的不同的輪廓即為不同的目標個體。
對於極其小的目標的訓練，作者在此框架下引入vector field方法。示意圖如下：
實驗結果
作者在三個資料集上進行了實驗，分別是數鋼筋大賽的資料、WiderFace人臉資料集和COCO 目標檢測資料集。
下圖是數鋼筋的結果：
該文提出的演算法在引數量最少的情況下，精度最高，超過目標檢測state-of-the-art Cascade RCNN演算法。
下圖是在WiderFace人臉檢測資料集上的結果，依然超過了所有方法。
最後是在COCO 資料集上的結果，該文演算法取得了與Mask RCNN 和 Cascade R-CNN相匹敵的精度。這類演算法才剛剛出來，應該還有很大改進空間！
值得一提的是，作者對目標進行畫素級標註的方法，對於人臉和鋼筋這種實心的目標可能比較有效，對於自行車這種中間有很大空隙的，會不會有問題？
不知作者會不會進一步公佈在COCO資料集上不同類的檢測結果，應該很有趣。
另外作者目前沒有公開程式碼，也沒公佈推斷時間。
這篇文章顛覆了我們的認知，原來什麼框、什麼點也不需要，也可以做目標檢測！
也許是作者急於快點公佈演算法與實驗結果，以至於忘了在論文最後寫結論了^_^
論文地址：
https://arxiv.org/abs/1904.13300v1