【阅读笔记】《Mask Scoring R-CNN》（MaskRCNN）

本文记录了博主阅读论文《Mask Scoring R-CNN》的笔记，代码。更新于2019.04.19。

Abstract

用于实例分割。

Introduction

主要贡献：

• 文中提出的Mask Scoring R-CNN是首个解决scoring instance segmentation hypothesis问题的架构，提供了实例分割提升精度的新方向。考虑到instance mask的完整性，score of instance mask在高分类score而mask不好的情况下可以被惩罚。
• MaskIoU head简单有效。在COCO数据库下，使用MS R-CNN可以提升AP约1.5%。

Related Work

Instance Segmentation

Detection Score Correction

Method

Motivation

在Mask R-CNN中，score of a detection（也就是实例分割）是由分类score中最大值决定的。但是由于背景混乱、遮挡等问题，很有可能分类score很高但是mask效果很差，如下图所示：

下图比较中使用的是Mask R-CNN with ResNet-18 FPN，COCO 2017 验证集。比较显示，classification score和MaskIoU在Mask R-CNN中没有多少相关性。

Mask scoring in Mask R-CNN

Mask Scoring R-CNN在概念上还是相对简单的：即带有MaskIoU Head的Mask R-CNN，其输入为实例特征和predicted mask，随后估计输入mask和真值mask之间的IoU，如下图所示。

Mask R-CNN： 先简单回顾一下Mask R-CNN。在Faster R-CNN之后，Mask R-CNN包括两个阶段。第一阶段是Region Proposal Network（RPN），其提供无类别的candidate object bounding boxes；第二阶段称为R-CNN阶段，其通过RoIAlign提取每个proposal的特征，并进行proposal分类、bounding box回归和mask估计。

Mask scoring： 定义${\text{s}}_{\text{mask}}$为score of the predicted mask，其概念与predicted mask和对应的ground truth mask之间的像素级IoU等同，前文称作MaskIoU。因为一个mask只能属于一个类别，因此${\text{s}}_{\text{mask}}$应该对于真值类别只包含正数，其他类别全是0。这就要求mask score应该在这两项任务中都表现良好：分类到正确类别，将proposal的MaskIoU回归到前景目标类别。

只用一个目标函数来训练两个任务是很难的，为了简化，论文中将mask score learning task分解成mask classification和IoU regression，用${\text{s}}_{\text{mask}}={\text{s}}_{\text{cls}}\cdot {\text{s}}_{\text{iou}}$代表所有目标类别。${\text{s}}_{\text{cls}}$专注解决proposal属于哪个类别，${\text{s}}_{\text{iou}}$解决MaskIoU的回归。

对于${\text{s}}_{\text{cls}}$，在R-CNN阶段已经解决了分类问题，因此可以直接用对应的classification score。回归${\text{s}}_{\text{iou}}$是这篇论文的目标。

MaskIoU head： MaskIoU head旨在回归predicted mask和其ground truth mask之间的IoU，其输入是RoIAlign层的级联特征和predicted mask。在级联的时候，用的是尺寸为2步长为2的max pooling使得predicted mask与RoIAlign特征尺寸相同。回归时，只处理真值类别（或测试时处理估计类别）而非全部类别。MaskIoU head包括4层卷积层和3层全连接层，其中卷积层遵从Mask head，尺寸为3，通道数为256；全连接层遵循RCNN head，前两层神经元个数为1024，最后一层为类别数。

训练： 训练MaskIoU head时，用RPN proposals作为训练样本。训练样本要求proposal box和对应的ground truth box之间有大于0.5的IoU（跟训练Mask R-CNN的Mask head时相同）。为了给每个样本生成regression target，首先获取目标类别的predicted mask，再用阈值0.5将其二值化。

随后，用binary mask和对应的ground truth计算MaskIoU作为MaskIoU target。回归MaskIoU用的是$l_2$损失，损失权重为1。提出的MaskIoU head整合在Mask R-CNN中，整个网络端到端训练。

推断（inference）： 在推理阶段，只应用MaskIoU head校正R-CNN生成的classification score。具体来讲，假设Mask R-CNN的R-CNN阶段输出N个bounding box，选中其中应用SoftNMS之后的前k（k=100）个scoring box。之后，这k个box被送入Mask head用于生成multi-class mask。这是标准的Mask R-CNN推理过程。论文中也遵循这个过程，并送入k个target mask用于估计MaskIoU。估计得到的MaskIoU乘上classification score，得到矫正后的mask score作为最终的mask confidence。

Experiments

所有实验都在COCO数据集上完成，有80个目标类别。用115k张训练，5k张验证，20k张测试。度量：

Implementation Details

ResNet-18 FPN（用于对比）：输入尺寸600x（<1000）
ResNEt-50/101：输入尺寸800x1333

所有算法训练18个epoch，14个epoch和17个epoch后学习率下降率为0.1。

Quantitative Results

Ablation Study

所有剥离实验用的都是ResNet-18 FPN结构。

The design choices of MaskIoU head input： 首先研究了设计的选择，即从mask head和RoI特征到predicted mask score map（28x28xC）的融合。下图是几种选择：

解释如下：

1. Target mask concatenates RoI feature：选择目标类别的score map，进行max pool之后与RoI特征级联；
2. Target mas multiplies RoI feature：选择目标类别的score map，进行max pool之后与RoI特征相乘；
3. All masks concatenates RoI feature：所有C个类别的mask score map都进行max pool，之后与RoI特征级联；
4. Target mask concatenates High-resolution RoI feature：选择目标类别的score map再与28x28的RoI特征级联。

下表为结果：

The choices of the training target：

下表为结果：

如何选取训练样本：
MaskIoU不超过0.5。给定阈值$\tau$，有如下结果：

Discussion

Conclusion

更多内容，欢迎加入星球讨论。