论文：Mask R-CNN 阅读笔记

Mask R-CNN

目录

Mask R-CNN

1 概述

2 模型设计

3 模型损失函数设计

4 模型的训练细节

5 模型实验

6 人体关键点检测

7 模型的性能指标

---

1 概述

基于Fast/Faster R-CNN、FCN的基础网络，迅速推动了目标检测和语义分割的发展。实例分割是具有挑战性的，因为它需要正确地检测到所有物体，并且对每一个实例进行精确的分割。我们的方法叫做Mask R-CNN，它是由Faster R-CNN拓展而来，增加了一个分支来预测ROI（感兴趣区域）上的分割Masks。这个分支是基于FCN的网络，和现有的分类和边框回归网络是并行的。其结构如图1-1所示。

                                                            图1-1 实例分割Mask R-CNN框架示意图

我们提出了一个RoIAlign无量化误差的层，来精确的保留提取的空间位置信息。这个看似细微的改变，把Mask的精确度提升了10%-50%。我们的网络在GPU上处理每帧图像需要200ms，利用COCO数据集在8-GPUs上训练需要花费两天的时间。最后，我们在COCO的关键点数据集上进行了人体姿态判别的实验。Mask R-CNN可以看作为一个灵活的框架，并且应用在其他复杂的任务上面。

2 模型设计

                                                                       图2-1 Faster R-CNN结构示意图

如图2-1所示，Faster R-CNN由两个阶段构成。第一个阶段是RPN（Region Proposal Network），是为了产生候选的目标边框。第二个关键的阶段，使用RoIPool对每一个候选边框进行分类和回归。

Mask R-CNN继承了Faster R-CNN的结构，第一个阶段单独使用。在第二个阶段中，在预测类别和边框偏差的同时，对每一个RoI输出二值化的Mask。每一个RoI输出的二值化Mask维度为，共K个类别。设置其分辨率为m*m是为了保证目标的空间维度。先前的方法都是通过全连接层来进行mask预测，我们的全卷积代表需要更少的参数，并且更加的准确。

                                                                             图2-