Mask Scoring RCNN

Mask Scoring RCNN

做为CVPR2019的口头汇报论文， Mask Scoring RCNN 以更为合理的Mask打分机制成功击败了实例分割的经典网络 Mask RCNN

Mask Scoring RCNN 是MaskRCNN两年后的改良版本，其创新点在于，增加了一个Mask IOU分支，通过计算mask分支得到的预测mask与ground truth对应的mask之间的像素级别的IOU值，来衡量分割的精确程度。

先上图，这就时Mask Scoring RCNN

之后我仔细想了一下，聚焦与Mask IOU分支得出了以下想法，如有错误请指出，求轻喷

1. Mask Scoring RCNN 比 Mask RCNN 实际上多出了一个多任务学习分支，这个多任务学习分支就是Mask IOU分支
2. Mask IOU分支的学习任务是为了回归predict Mask IOU，使predict Mask IOU无限逼近 经由Mask分支得到的ground truth Mask IoU

ground truth Mask IoU： 通过mask分支预测（输出）的mask与真实的mask计算出的IoU
predicted Mask IoU： mask scoring分支预测的mask IoU

3. Training阶段：Mask IOU等三个分支一同进行端对端训练
   Inference阶段：学习后的Mask IOU分支已能自己预测出一个合理的Mask IOU值，且已与真实的Mask IOU值相差无几，成为辅助置信度打分的依据之一。

那么Mask Scoring RCNN打分考虑掩膜质量更合理了，为什么还能对分割性能带来些许提升呢？