mask rcnn解读

上一篇中介绍faster rcnn，这次mask 基本在上次的基础上加了点代码，参考和引用1. mask rcnn slides 2. kaiming he maskrcnn 3. Ardian Umam mask rcnn，欢迎fork简版mask rcnn

整体框架

RoIAlign

问题

1. 做segment是pixel级别的，但是faster rcnn中roi pooling有2次量化操作导致了没有对齐
   

2. 两次量化，第一次roi映射feature时，第二次roi pooling时(这个图参考了youtube的视频，但是感觉第二次量化它画错了，根据上一讲ross的源码，不是缩小了，而是部分bin大小和步长发生变化)
   

3. RoIWarp，第一次量化了，第二次没有，RoIAlign两次都没有量化
   

解决方案

和上一讲faster rcnn举的例子一样，输出7*7

1. 划分7*7的bin(我们可以直接精确的映射到feature map来划分bin，不用第一次量化)
   

2. 每个bin中采样4个点，双线性插值
   

3. 对每个bin4个点做max或average pool

# pytorch
# 这是pytorch做法先采样到14*14，然后max pooling到7*7
pre_pool_size = cfg.POOLING_SIZE * 2
grid = F.affine_grid(theta, torch.Size((rois.size(0), 1, pre_pool_size, pre_pool_size)))
crops = F.grid_sample(bottom.expand(rois.size(0), bottom.size(1), bottom.size(2), bottom.size(3)), grid, mode=mode)
crops = F.max_pool2d(crops, 2, 2)
# tensorflow
pooled.append(tf.image.crop_and_resize(
                feature_maps[i], level_boxes, box_indices, self.pool_shape,
                method="bilinear"))

sigmoid代替softmax

利用分类的结果，在mask之路，只取对应类别的channel然后做sigmoid，减少类间竞争，避免出现一些洞之类(个人理解)

FPN

详见我的另一篇博客FPN解读

更多

前面我们介绍RoI Align是在每个bin中采样4个点，双线性插值，但也是一定程度上解读了mismatch问题，而旷视科技PLACES instance segmentation比赛中所用的是更精确的解决这个问题，对于每个bin，RoIAlign只用了4个值求平均，而旷视则直接利用积分(把bin中所有位置都插值出来)求和出这一块的像素值和然后求平均，这样更精确了但是很费时。

来源旷视科技peng chao分享的video和slides

Detectron部分代码细节点

1. 无bn，因为batch太小了，使用affine channel
2. mask分支，只使用fg_rois，只用前景的rois
3. faster rcnn的rpn部分，是生成9*2=18个channel，然后每个格子对应9个anchor，2是前景和背景，使用softmax loss而Detectron中rpn是9个channel，使用sigmoid loss
4. 所有的gt box都默认送到后面的fast rcnn和mask等分支中
5. 准备gt_masks时，不是用gt_boxes去全图mask上扣，然后resize到28*28，而是用预测出来的fg_rois去全图的mask上扣然后resize到28*28，这样才能正常训练的mask分支，不然gt_masks的位置根本不对。这和我们采用gt_classes去抽取对应channel的score map做sigmoid一样，目的都是为了能让mask分支受到正常的监督，因为我们自己预测的类别可能是错的，这样抽取错误的channel去做sigmoid然后与gt_masks做loss，是错误的监督。