郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023.
Abstract
在本文中，我们提出了一个统一的对象检测和分割框架Mask DINO。Mask DINO通过添加一个支持所有图像分割任务（例如，全景和语义）的掩码预测分支来扩展DINO（具有改进的去噪锚盒的DETR）。它利用DINO的查询嵌入来点积高分辨率的像素嵌入图来预测一组二进制掩码。DINO中的一些关键组件通过共享的架构和训练过程进行扩展，用于分割。Mask DINO简单、高效、可扩展，可以受益于联合大规模检测和分割数据集。我们的实验表明，Mask DINO在ResNet-50主干和SwinL主干的预训练模型上都显著优于所有现有的专业分割方法。值得注意的是，Mask DINO在10亿个参数下的模型中建立了迄今为止实例分割（COCO上的54.5 AP）、全景分割（COCO上的59.4 PQ）和语义分割（ADE20K上的60.8 mIoU）的最佳结果。代码位于https://github.com/IDEA-Research/MaskDINO。
1. Introduction
2. Related Work
3. Mask DINO
3.1. Preliminaries: DINO
3.2. Why a universal model has not replaced the specialized models in DETR-like models?
3.3. Our Method: Mask DINO
3.4. Segmentation branch
3.5. Unified and Enhanced Query Selection
3.6. Segmentation Micro Design
4. Experiments
4.1. Main Results
4.2. Comparison with SOTA Models
4.3. Ablation Studies
5. Conclusion