Mask R-CNN论文总结

Mask R-CNN简介

       \space\space\space\space\space\space       Mask R-CNN是在Faster R-CNN的基础上，加了一个分割的分支，能够在检测的同时，对各RoI中的目标物体进行分割，即实例分割（instance segmentation）。
       \space\space\space\space\space\space       实例分割是一个比较有挑战性的任务，它既要检测出一幅图中所有的目标物体，又要将它们分割出来。所以实例分割是目标检测与语义分割的组合。
       \space\space\space\space\space\space       由于Faster R-CNN RoI pooling层的原因，最终生成的特征图与原始候选区域并不对应，所以Mask R-CNN并不是简单的增加一个分割分支就可以的，文章设计了一个RoIAlign来解决特征图与原始候选区域对应的ground truth不对齐的问题。RoIAlign不仅大幅提高分割的准确率，而且将实例分割任务成功解耦为分类和二值分割，即对每一个RoI中的物体生成一个二值mask，对应类别由检测网络的分类分支预测。相比直接用全卷积神经网络实例分割（mask对应多类别，相当于在分割同时还要分类），这种解耦的方式效果好很多。

Mask R-CNN细节

Mask R-CNN的网络结构如下图所示。

       \space\space\space\space\space\space       第一阶段和Faster R-CNN一样，用RPN产生候选区域。第二阶段，在预测每一个RoI类别和bounding box偏移量的同时，生成二值mask分割RoI。
       \space\space\space\space\space\space       在训练期间，每一个RoI的loss计算式为$L=L_{cls}+L_{box}+L_m$