Mask R-CNN

Mask R-CNN 是一种经典的实例分割（Instance Segmentation）算法，由 Facebook AI Research (FAIR) 团队于 2017 年提出。它扩展自 Faster R-CNN，不仅能够完成目标检测（检测物体并给出边界框），还能为每个检测到的物体生成精确的像素级分割掩码（Mask）。

1. Mask R-CNN 的核心思想

Mask R-CNN 在 Faster R-CNN 的基础上增加了一个并行分支，用于预测每个目标的分割掩码（Mask），从而实现：

• 目标检测（Bounding Box + 类别）

• 实例分割（Pixel-wise Mask）

主要改进

1. RoIAlign（取代 RoIPool）：

   • 解决 RoIPool 的量化误差问题，使特征映射更精确对齐原图。

   • 采用双线性插值计算浮点数坐标，提升小目标分割精度。

2. Mask 分支：

   • 在原有的分类（Class）和回归（Box）分支基础上，新增一个全卷积网络（FCN）生成每个 RoI 的分割掩码。

   • Mask 分支独立于分类，避免类别竞争，提升分割质量。

2. Mask R-CNN 的网络结构

Mask R-CNN