达 婷，杨 靓

(西安微电子技术研究所 西安 710065)

视频图像是生活中最常见的一种采集数据的方式，但是由于图像采集设备的限制和采集条件不佳等原因，很难获得高质量的视频图像。尤其在移动端实际应用中，比如视频监控、目标追踪、行为分析等。同时，实例分割作为人机交互的一个重要研究方向被广泛应用于各种计算机视觉应用场景中。一方面，现实环境中存在背景复杂、物体被遮挡，还有很多小目标的低分辨率的视频数据。另一方面，在实际应用中，我们既希望得到高准确率又同时要求算法轻量化，所以使得实例分割任务难度较大。

随着深度学习在计算机视觉方面的大规模运用，利用深度学习算法进行图像分割成为一种必然趋势。卷积神经网络(convolution neural network,CNN)[1]已经普遍应用在计算机视觉领域，并且取得了不错的效果，如深度残差网络(residual neural network, ResNet)[2]。目标检测模型的提出，从CNN[1]、R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]发 展 到Mask R-CNN[6]。R-CNN(regions with CNN features)是一种物体检测任务的经典算法，算法思路是从生成的候选区域中生成特征向量，然后使用支持向量机(SVM)[7]进行检测分类。Fast R-CNN 的提出基于R-CNN，同时结合了SPPNet[8]的特点，主要解决了模型速度慢和训练占用空间大的问题。Faster R-CNN 是通过RPN[5]生成区域建议框，并实现两个网络卷积层的特征共享，大大降低了计算复杂度，真正实现了端到端的目标检测。Mask R-CNN可以增加不同的分支完成不同的任务，如实例分割、关键点检测等多种任务。由于算法的高精度性，已经成为目前最好的实例分割算法之一。

深度神经网络已经可以解决越来越复杂的难题。……