Mask R-CNN翻译（主要技术点解析）

今年何凯明大神再放大招，运用不多的策略就打败了去年实例分割的冠军，并且在去除mask分支的基础上达到了目标检测（class、box）的最好成绩。废话不多说，马上进入正题~
note：以下仅为个人理解，如有错误还请各位留言纠正

策略一：采用并行训练策略

Mask R-CNN仅仅是在Faster R-CNN的基础上添加了一个预测mask分支（FCN）掩码的，达到像素级别的分类目标，并且与以往的训练方法不同，Mask R-CNN采用并行训练的方式，mask分支不受class与box分支的影响，即他们之间没有信息交互。消除class与box信息影响是由L_mask来实现的。先来看一下总损失：L=Lcls+Lbox+Lmask，其中Lcls与Lbox是Faster R-CNN定义的，文中没有改变其定义。而Lmask是由FCN输出的K*m*m个掩码来定义的，这是本文的主要贡献：

RPN预先生成的每个ROI由FCN生成K*m*m大小的feature-map。其中K为类别总数，m是超参数。可以将m*m看做为ROI压缩后的固定大小，因为m*m的就是表示掩码信息，将其重新resize成ROI大小即为各个类别在该ROI上的分割像素信息。单层m*m的feature-map信息如下图所示：

都是浮点数类型，表示每个像素（压缩过后的）为该实例的得分。之后将这些得分通过sigmoid函数压缩至[0，1]范围内。此时的数值可以看作为对应像素为该类实例的概率。之后以0.5为阈值将m*m二值化为positive（正样本）与negative（负样本），Lmask就是计算二值化后的K*m*m大小的feature-map中的正样本的均值交叉熵损失（注意，此时只计算正样本）。即对每一个m*m层求算数平均交叉熵损失的输入。可以看出，此时的Lmask与类别无关，去除了mask与class的相关性。

策略二：ROIAlign

对于ROIPOOL层，在cls与box任务中表现出色，而对于mask任务，是pixel-to-pixel，要求严格像素之间的对齐，此时ROIPOOL只能被看作为粗略的空间量化，损失大量的空间信息。为了保留精确的空间位置信息，且保证只添加少部分计算开销的前提下，文中提出ROIAlign层，利用双线性插值的方法来解决对齐问题。
双线性插值，可参考：http://blog.csdn.net/xjz18298268521/article/details/51220576