yolact模型详解

网络结构图

关于实验中的细节问题

SGD和Adam
在yolact的实验过程中，我们发现同样的数据和学习率，为什么SGD行之有效，Adam却会导致mAP下降为0？是什么导致了Adam的完全失效？
先来了解下两个优化器的不同机制（这个专栏的三部曲讲的很好：https://zhuanlan.zhihu.com/p/32338983
SGD是带一阶动量的梯度下降（也就是融合了过往的梯度方向）；
Adam是带一阶动量、二阶动量（也就是过往一段iteration内梯度的平方和，希望频繁更新的参数不要更新的过大，很少更新的参数可以多更新一点梯度）；
文章指出：虽然Adam收敛速度很快，但是要达到比较好的效果，一般都是SGD精调出来的结果，SGD的话，收敛速度会慢一些，所以可以采用前期Adam，后期SGD的优化方案.由于Adam加入了二阶动量来主导梯度方向，后面随着二阶动量的变化，可能导致梯度过小或者过大，不利于收敛；
在Towards Theoretically Understanding Why SGDGeneralizes Better Than ADAMin Deep Learning这篇文章中，作者试图解释为什么SGD收敛的算法的泛化效果要由于Adam;
这篇博客（https://shaoanlu.wordpress.com/2017/05/29/sgd-all-which-one-is-the-best-optimizer-dogs-vs-cats-toy-experiment/）总结了SGD+动量拥有更好的泛化性，尽管在训练集上Adam的准确率最高，而且Adam的泛化性跟SGD+动量相差不是特别大，但是后者在验证集上的表现更稳定，adam表现得有轻微得震荡。

冻结BN层
在yolact的实验过程中，我们发现，取消冻结BN层，验证集Map会下降，反之冻结ＢＮ层，验证集ｍａｐ会提升，这是为什么？
在一篇介绍为何在精调中冻结ＢＮ的博客中，我们找到以下答案：
在训练过程中，对变化的批次进行统计是一个类似正则化的行为，可以提升模型的泛化性，这是一个减少过拟合的方式，尤其是在非常多次迭代的训练当中。事实上，运用非常大的batch_size会伤害泛化性是因为batch 统计参数的变化会很小，伤害了正则化。在精调中，使用的数据集可能不同于训练中的数据集，如果不冻结BN层，Gamma和Beta的数值可能会有较大的变化，导致整个网络的参数发生重新学习，这个在小数据集和精调中是不现实的。
推理我们可以得出：
在迁移学习中，比如本实验也用了Resnet的预训练模型，同时，我们自己的数据集样本量比较少，只有600多张.在作者的源代码中，如果batch_size per GPU>6，则不冻结BN

总结

传统方案用框来定位目标的位置，然后再做分割，这是一个二阶段的网络，作者为了加速，同时生成框(框的置信度，框的坐标[x,y,w,h],mask_dim)和针对全图的proto_out,其中的框的主要作用在于定位实例目标，proto_out的主要目标在于语义分割，二者结合完成实例分割的任务。

摘要

我们提出了一个简单的、全卷积的实时实例分割，在coco数据集上获得了29.8map、单个Titan GPU上取得了33.5fps,比之前任何一个有竞争力的方案都要快。我们将实例分割分成两个并行的子任务：（1）生成一系列prototype的mask;(2)预测每一个实例mask的系数;(2)预测每一个实例mask的系数。然后我们生成实例mask通过线性地结合prototype和mask系数；我们发现由于这个过程不依赖于repooling,这个方案可以生成非常高质量的masks.同时，论文提出了一种Fast NMS,比标准的NMS要快12ms.

简介

boxes太蠢了，我是一个坚定的mask支持者—Joseph Redmon
怎样生成一个实时的实例分割的算法？
在过去的几年中，像MaskRCNN主要专注于精度。我们的目的就是做一个类似于SSD、YOLO快速的的实时的算法。然而，分割比检测要难多了，TwoStage的分割非常依赖于特征定位去生成masks,这些方法repooling boundingbox里面的feature(e.g., via RoIpool/align),然后将这些定位后的特征放到mask分类器，这种方案完全是顺序的，很难进行加速。OneStage并行执行这些操作，但是在定位后需要很多后处理，也很难实现实时。
为了解决这些问题，我们提出了yolact,一个放弃了明确的定位的实时实例分割网络。yolact将网络分为两个步骤：（1）在全图上生成prototype masks(2)在每一个实例上预测一系列线性组合系数。通过这两部分产生全图的实例分割非常简单。对于每一个实例，线性地结合prototype和对应预测的系数，同时产生预测的boundingbox.通过这种分割方式，网络自身学习到了如何定位实例mask。
prototype masks的个数独立于于分类的个数（也就是说分类的个数可以多于prototype),Yolact通过对分类学习分布式的表达，一些prototypes学习的是轮廓，一些学习的是定位，一些学习的是位置敏感的编码，而大部多数是将这些任务进行结合。
本方案也有一些实际上的优势，首先，它很快，这是由于它并行的结构和轻量级的处理过程，当使用ResNet-101也能达到30fps,整个mask分支只用了5ms,而且mask生成的质量也很高，因为repool的过程没有损失。
同时该论文还给出了一系列的实验参数结果，比如不同的backbone的结果。
maskRCNN是有两个步骤，我们的方案中去掉了特征定位的过程（repooling),我们把复杂的任务变成两个简单并行的任务，第一步用FCN获得一系列不依赖于任何实例的prototype masks，第二部增加一个目标检测的分支对每一个anchor预测mask coefficients，经过NMS,结合这两者获得最后的mask.
在实例分割的任务中，像素是空间相关的，也就是邻近的像素属于同一实例的可能性更大，卷积很好地体现了空间相关性，全连接却不行。