【深度学习】目标检测网络结构MASK RCNN FPN

其相对于FASTER RCNN改进如下：

1. 分割，检测，分类同时进行

2. 引入ROI ALIGN（对分类影响不大，对分割影响大，因为ROI POOLING对应回图像中的像素会有偏差，该方法会相对准确）代替faster rcnn中的ROI POOLING

ROI ALIGN: https://www.cnblogs.com/wangyong/p/8523814.html

对于检测图片中大目标物体时，两种方案的差别不大，而如果是图片中有较多小目标物体需要检测，则优先选择RoiAlign，更精准些

3. 引入语义分割分支，实现mask和class预测关系的解耦。mask分支只做语义分割，类型预测的任务交给另一个分支（与FCN不同：FCN分类与分割同时，预测分割的时候也预测分类，不同的channel是不同的类别的分割概率）

 

 

FPN通过结合bottom-up，top-down方法获得较强的语义特征，提高目标检测和实例分割在多个数据集上面的性能表现。

FPN可以应用到前边的网络结构（fast, faster, mask rcnn）中

FPN: https://blog.csdn.net/WZZ18191171661/article/details/79494534

MAP: https://www.cnblogs.com/klitech/p/9242700.html