【目标检测 论文泛读】 Mask R-CNN

R-CNN系列推演：

• R-CNN 论文解读
• SSPnet 论文解读
• Fast R-CNN 论文解读
• Faster R-CNN 论文解读
• FPN 论文解读
• Mask R-CNN 论文解读

每一篇都是上一篇或上几篇的改造版，按顺序看会比较好。

这篇论文是基于Faster R-CNN和FPN的改良版。
论文下载地址:https://arxiv.org/pdf/1703.06870.pdf

论文题目：Mask R-CNN

文章提出的背景

Mask R-CNN主要解决的是实例分割问题，看到部分视频或者博客将这里直接说成语义分割，不是很准确。

语义分割和实例分割的区别:

实例分割（Instance segmentation）和语义分割（Semantic segmentation）不是一个东西，实例分割是语义分割下属的一个小领域，
在网上找了一张图来看一下他俩的区别。

从左到右，目标检测，语义分割，实例分割，可以看出来 语义分割只是像素级层面区分不同的分类，比如人都是一个颜色的，而实例分割是要分开每个不同的实体，即使是同一个类别也要用不同的颜色分开。

作者为了完成高质量的分割任务，在Faster R-CNN 的基础上进行改造模型，提出了 Mask R-CNN。

Faster R-CNN回顾

整个模型是基于 Faster R-CNN的，所以先回顾一下这个模型。一张表格，清晰易懂。

Faster R-CNN
整张图片给CNN，提取出feature map
feature map送给RPN模块，RPN内部： 滑窗生成anchors，然后分类(背景还是物体)+回归修正 得到精准的候选框。
精准候选框+第一步整张图的feature map送给ROI池化，生成候选框的feature map，最后分类(物体的分类)+回归。

作者的改进思路

Mask R-CNN整体结构：

看一下作者在论文中给出的整体结构图：

说明一下这张图，左边图片进来之后 先走 Faster R-CNN那一套， 就是一个Backbone模型提取feature map，然后 RPN 然后再RoIAlign，之后分类+回归+mask。

这里相较于Faster R-CNN 只有两个变动，一个是改造了原来的ROI池化，一个是在最后多加了一个mask分支用于分割。

所以 Mask R-CNN = Backbone+RPN+RoIAlign+（分类+回归+mask）。

RoIAlign

RoIAlign是作者对于Faster R-CNN的改动之一，对于原来的ROI池化是存在一定问题的，比如下图:

这是原来ROI池化中的一步操作，将原图的ROI(候选框)映射到feature map上，可以看到比例的变换，这里就有可能出现浮点数，但换成整数了，也就是说特征图与原始图像是不对准的（mis-alignment），这就造成了精度的损失问题。

还有一个地方，ROI在刚提出的时候是用来代替SSPnet中的spp模型，他又一个重要作用就是固定输出大小供FC使用。而在任意尺寸变为固定大小的过程中，又发生了上述的尺寸变换产生浮点数却变成整数的精度损失问题。

mis-alignment问题对于分类影响不大，但对于分割任务影响较大。

作者为了解决这个问题，对ROI进行了改造，提出了ROIAlign模型。ROI Align方法取消整数化操作，保留了小数，使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值。但在实际操作中，ROI Align并不是简单地补充出候选区域边界上的坐标点，然后进行池化，而是重新进行设计。

ROIAlign、ROIPling详细原理

Mask

这是作者相较于Faster R-CNN的第二个改动。

就是原模型在最后只有回归和分类两个分支，作者新加入了mask分支用于分割任务。
mask的损失函数就更新成：$L_{总}=L_{分类}+L_{回归}+L_{分割}$,或表达为:$L=L_{cls}+L_{box}+L_{mask}$

其中分类和回归的定义和Faster R-CNN一样。

对于Mask的损失函数，假设一共有K个类别，则mask分割分支的输出维度是 $K\ast M\ast M$, 对于 $M\ast M$中的每个点，都会输出K个二值Mask（每个类别使用sigmoid输出）,计算loss的时候，并不是每个类别的sigmoid输出都计算二值交叉熵损失，而是该像素属于哪个类，哪个类的sigmoid输出才要计算损失。并且在测试的时候，通过分类分支预测的类别来选择相应的mask预测。这样，mask预测和分类预测就彻底解耦了。

Mask R-CNN的两种模型

为了产生对应的Mask，文中提出了两种架构。

这两张图都只展示了RoI输出之后的结构。

左图：
使用了ResNet作为Backbone，后面一路进FC然后分类+回归，一路反卷积来提升分辨率，然后分割。
最后mask 的 14 * 14 * 80 其中 80个channel指80个class对应的mask，且每个mask是14 * 14的矩阵。每个格子都是binary。
res5指的是ResNet的第五个stage。

右图：

使用了ResNet-FPN作为Backbone，左图输入的时候是7 * 7 * 1024，而右图这里输入的是7 * 7 * 256，看样子应该是FPN提取的特征或者说语义信息比较多，所以输入的通道比较小。
后面就是和左图一样，一路回归+分类分支，一路反卷 加卷积 分割分支。

回归和分类前面都是FC，而分割前面都是反卷积和卷积层，因为卷积层比全连接层更能表达空间结构，参数少，且更精确。

小总结

• 分析了ROI池化对于mask的不足，并提出了ROIAlign模型；
• 改进了Faster R-CNN模型，加入了mask分支做分割任务；
• mask与回归分类分成两个分支，使用Binary Loss代替Multinomial Loss，消除不同类别的mask之间的竞争，达到解耦的效果。