Mask R-CNN翻译

2.相关工作

RCNN：RCNN是基于区域的方法。它为需要检测的物体画出边界框。这样就有了可控数量的候选物体区域。可以在每个RoI中独立地使用卷积神经网络。Fast RCNN使用RoIPool作用于每一个RoI的feature map上。这使得它的速度加快，精度提高。Faster RCNN改进了流程，通过RPN学习到了注意机制。Faster RCNN是灵活的和鲁棒的，产生了很多基于它的改进。Faster RCNN是在许多判断基准下的主要的框架。

实例分割：被高效的RCNN驱动，许多实例分割的方法是基于segment proposal的。早期的方法凭借的是自底向上的分割。DeepMask 和后来的模型开始了propose segment candidate，然后再使用Fast RCNN进行分类。在这些方法中，分割在识别之前，这样做速度慢，精确度低。同样的，Dai等人提出了一个复杂的多阶段的方法，这个方法是从框回归建议中预测分割建议，然后进行分类。相反，我们的方法是同时预测masks和图像的种类，这样做更简单，更灵活。

最近，Li等人将分别将分割建议系统和物体检测系统进行了合并，作为全卷积的实例分割（FCIS），他们的共同思想是使用全卷积去预测对位置敏感的输出频道。这些频道同时含有物体类别、框、mask的信息，这使得系统更快。但是FCIS对重叠的实例存在系统性的错误，并且为这些实例生成了虚假的边框。显示出，FCIS在实例分割的基础性难点中表现不好。

另一类实例分割的方法是语义分割。语义分割从对每个像素点进行分类开始。它尝试将属于同一类别的像素点切分成不同的实例。和以上方法的先分割策略不同，Mask RCNN是采用先实例化策略。我们希望在未来的研究中，这两种策略可以结合使用。

3.Mask RCNN

Mask RCNN在概念上是简单的：Faster RCNN对每一个候选物体有两个输出。一个是物体的种类，一个是边界框的偏移。我们添加了第三个输出，这个输出是物体的掩膜。Mask RCNN的自然和直觉的想法就是这样的。但是这个多加上的掩膜和之前的两个输出是有区别的。它需要我们提取物体的更好的空间布局信息。接下来，我们介绍了Mask RCNN的关键元素，包括像素到像素的微调，这个是Fast RCNN和Faster RCNN最缺少的部分。

Faster RCNN：我们现在简洁地回顾一下Faster RCNN的探测器。Faster RCNN包括了两个阶段。第一个阶段叫做区域建议网络（RPN），这个网络给出了候选物体的边界框。第二个阶段本质上是Fast RCNN，它使用RoIPool从每一个候选框中提取出了特征，然后利用这些特征进行分类和边界框的回归。这些特征被两个阶段共享，可以让程序更快（特征不是在Fast RCNN提取出来的吗？怎么和RPN共享？）。我们希望读者把Faster RCNN和其他框架做一个完整的比较。

Mask RCNN：Mask RCNN也是分为两个阶段，它的RPN是独立的第一阶段。在第二阶段，并行地预测图像分类和框偏移。Mask RCNN为每一个RoI输出一个二进制的掩膜。