关于MASK RCNN中一些细节的理解

一、引言

      MASK RCNN中，特征提取网络用的是Resnet50+FPN，然后接的ROI Align和后面的Cls和Bbox分支。因为用了FPN，那么在特征提取网络的地方，一定会生成多张feature map，在原始的FPN论文中，作者将每一层的Feature map都拿去做预测，但MASK RCNN的结构图中只有一个分支，本文就是解释如何在不同的feature map进行检测。

二、步骤

  1->将FPN生成的feature maps分别对每一层的feature map通过RPN产生Anchors，结果保存在layer_outputs中，rpn的返回值包含三个部分：rpn_logits、rpn_probs、 rpn_bbox

 2->将第一步的rpn输出拼接起来，得到 rpn_class_logits, rpn_class, rpn_bbox三个量，每个量包含了不同feature map上产生的结果；然后送入proposal layer层中产生rois

3->将rois送入ROI Align模块中，在进行ROI Pooling时需要得到rois在对应feature map上的区域，对应到MASK RCNN中就需要得到rois对应到不同层的feature map上的区域。因此，在ROI Align中，会将rois对应到不同层的feature map上，然后pooling，pooling结束后再次拼接成一个tensor。