SiamMask中的分类分支、回归分支与Mask分支，有何本质差异？
SiamMask中的分类分支、回归分支与Mask分支，有何本质差异？
-
- 一、引言
- 二、分支定位与任务目标
- 三、网络结构与感受野设计
-
- 3.1 分类分支（Classification Head）
- 3.2 回归分支（Regression Head）
- 3.3 Mask分支（Mask Head）
- 四、输入特征与输出形式
- 五、损失函数与监督信号
-
- 5.1 分类分支损失
- 5.2 回归分支损失
- 5.3 Mask分支损失
- 5.4 总损失
- 六、三者协同工作流程
- 七、实验对比与可视化示例
- 八、小结与展望
本文是“Siam 系列网络深度解析”之三，重点对比并深入剖析SiamMask在跟踪与分割任务中，分类分支、回归分支和Mask分支的不同设计思路、网络结构与训练策略。
一、引言
SiamMask以多任务学习的方式，实现了目标跟踪（Tracking）与目标分割（Segmentation）的统一框架。模型共有三条并行分支：分类分支（Classification Head）、回归分支（Regression Head）和Mask分支（Mask Head）。虽然它们都基于同一个深度相关特征图 g ∈ R C × H × W g\in\mathbb R^{C\times H\times W} g∈RC×H×W，并且都执行二分类或回归操作，但在设计目标、网络结构、输入/输出粒度、损失函数及训练方式等方面均存在本质区别。
本篇文章将从以下角度展开：
- 分支定位与任务目标
- 网络结构与感受野设计
- 输入特征与输出形式
- 损失函数与监督信号
- 三者协同工作流程
- 实验对比与可视化示例
二、分支定位与任务目标
| 分支 | 任务目标 | 输出意义 |
|---|---|---|
| 分类分支 | 判断某空间位置是否为目标中心 | 前景概率热力图 S ∈ [ 0 , 1 ] 1 × H × W \mathbf S\in[0,1]^{1\times H\times W} S∈[0,1]1×H×W |
| 回归分支 | 回归Anchor相对于真实框的偏移量 | 边界框偏移量 Δ = ( l , t , r , b ) ∈ R 4 × H × W \Delta=(l,t,r,b)\in\mathbb R^{4\times H\times W} Δ=(l,t,r,b)∈R4×H×W |
| Mask分支 | 对目标区域进行像素级前景/背景分割 | 掩膜概率图 M ^ ∈ [ 0 , 1 ] 1 × H m × W m \hat M\in[0,1]^{1\times H_m\times W_m} M^∈[0,1]1×Hm×Wm |
- 分类分支：提供一个粗粒度的定位信号，告诉模型“目标的大致中心在哪里”。
- 回归分支：基于分类分支给定的位置，从每个Anchor出发，用4个通道精确地回归边界框。
- Mask分支：在回归出的目标框内部，生成高分辨率的像素级掩膜，实现精细分割。
三、网络结构与感受野设计
3.1 分类分支（Classification Head）
- 典型实现：1~2层 3 × 3 3\times3 3×3卷积 + Sigmoid
- 感受野：适中，关注当前位置的上下文信息，以便区分前景/背景
- 输出分辨率：与输入特征等大（如 H × W = 17 × 17 H\times W=17\times17 H×W=17×17或 25 × 25 25\times25 25×25）
示例代码：
self.cls_conv = nn.Conv2d(C, C, kernel_size=3, padding=1)
self.cls_score = nn.Conv2d(C, 1, kernel_size=1)
# forward:
feat = F.relu(self.cls_conv(g)) # [B,C,H,W]
score = torch.sigmoid(self.cls_score(feat)) # [B,1,H,W]
3.2 回归分支（Regression Head）
- 典型实现：同样是2~3层小卷积 + 无激活
- 感受野：与分类相近，但关注边缘位置的特征变化以便回归准确
- 输出分辨率： 4 × H × W 4\times H\times W 4×H×W，对应每个位置的 l , t , r , b l,t,r,b l,t,r,b值
示例代码：
self.reg_conv = nn.Conv2d(C, C, kernel_size=3, padding=1)
self.reg_offset = nn.Conv2d(C, 4, kernel_size=1)
# forward:
feat = F.relu(self.reg_conv(g)) # [B,C,H,W]
offset = self.reg_offset(feat) # [B,4,H,W]
3.3 Mask分支（Mask Head）
- 典型实现：U-Net风格或多层卷积 + 上采样
- 感受野：更大，需要捕捉目标内部与边界细节
- 输出分辨率：高于跟踪特征图，通常为 63 × 63 63\times63 63×63或更高
- 关键组件：RoIAlign/Crop → 一系列卷积与反卷积 → Sigmoid
示例代码：
# RoIAlign后得到局部特征 [B,C,H,W]
x = roi_align(feature_map, boxes, output_size=(H,W))
x = F.relu(self.conv1(x))
x = F.relu(self.conv2(x))
x = F.convTranspose2d(x, ...) # 上采样
mask = torch.sigmoid(self.conv_final(x)) # [B,1,H_m,W_m]
四、输入特征与输出形式
| 分支 | 输入特征 | 输出形式 | 下游依赖 |
|---|---|---|---|
| 分类分支 | 全局 DW-XCorr 特征 g g g | 热力图 S \mathbf S S | 决定回归与Mask的位置 |
| 回归分支 | 全局 DW-XCorr 特征 g g g | 偏移量 Δ \Delta Δ | 生成最终边界框 |
| Mask分支 | RoIAlign 裁剪特征 | 掩膜 M ^ \hat M M^ | 精细分割 |
- 分类分支和回归分支共享同一输入： g ∈ R C × H × W g\in\mathbb R^{C\times H\times W} g∈RC×H×W。
- Mask分支通过RoIAlign从回归出的候选框中裁剪特征，得到局部高分辨率特征，用于掩膜预测。
五、损失函数与监督信号
5.1 分类分支损失
二元交叉熵：
L c l s = − ∑ i , j [ y i , j log S i , j + ( 1 − y i , j ) log ( 1 − S i , j ) ] \mathcal L_{cls} = -\sum_{i,j}\bigl[y_{i,j}\log S_{i,j} + (1-y_{i,j})\log(1 - S_{i,j})\bigr] Lcls=−i,j∑[yi,jlogSi,j+(1−yi,j)log(1−Si,j)]
- y i , j ∈ { 0 , 1 } y_{i,j}\in\{0,1\} yi,j∈{0,1}：某位置是否为前景Anchor
- 监督信号稀疏，仅中心Anchor或与GT匹配的Anchor为正样本
5.2 回归分支损失
Smooth L1 Loss：
L r e g = ∑ c ∈ { l , t , r , b } ∑ i , j S m o o t h L 1 ( Δ c , i , j − Δ c , i , j ∗ ) \mathcal L_{reg} = \sum_{c\in\{l,t,r,b\}} \sum_{i,j} \mathrm{SmoothL1}(\Delta_{c,i,j} - \Delta^*_{c,i,j}) Lreg=c∈{l,t,r,b}∑i,j∑SmoothL1(Δc,i,j−Δc,i,j∗)
- Δ ∗ \Delta^* Δ∗：Ground-Truth边界框与Anchor的真实偏移
5.3 Mask分支损失
像素级二元交叉熵：
L m a s k = − 1 H m W m ∑ u , v [ M u , v ∗ log M ^ u , v + ( 1 − M u , v ∗ ) log ( 1 − M ^ u , v ) ] \mathcal L_{mask} = -\frac{1}{H_mW_m}\sum_{u,v}\bigl[M^*_{u,v}\log\hat M_{u,v} + (1-M^*_{u,v})\log(1-\hat M_{u,v})\bigr] Lmask=−HmWm1u,v∑[Mu,v∗logM^u,v+(1−Mu,v∗)log(1−M^u,v)]
- M u , v ∗ ∈ { 0 , 1 } M^*_{u,v}\in\{0,1\} Mu,v∗∈{0,1}：像素级前景/背景标签
5.4 总损失
多任务加权：
L t o t a l = λ c l s L c l s + λ r e g L r e g + λ m a s k L m a s k \mathcal L_{total} = \lambda_{cls}\mathcal L_{cls} + \lambda_{reg}\mathcal L_{reg} + \lambda_{mask}\mathcal L_{mask} Ltotal=λclsLcls+λregLreg+λmaskLmask
常见设定： λ c l s = 1 , λ r e g = 1.2 , λ m a s k = 32 \lambda_{cls}=1,\lambda_{reg}=1.2,\lambda_{mask}=32 λcls=1,λreg=1.2,λmask=32。
六、三者协同工作流程
- 特征提取：模板与搜索图通过Backbone、FPN提取多尺度特征。
- DW-XCorr：得到全局匹配特征图 g g g。
- 分类分支：生成热力图 S \mathbf S S，选取得分最高的位置作为候选Anchor。
- 回归分支：对候选Anchor回归偏移，得到精确边界框。
- Mask分支：对每个候选框进行RoIAlign裁剪，预测高分辨率掩膜。
七、实验对比与可视化示例
下面对比三者输出：
- 分类热力图：低分辨率，但清晰标出目标中心
- 回归框：粗略定位目标范围
- Mask掩膜：高分辨率，精确描绘目标轮廓
+----------------------+----------------------+----------------------+
| Classification | BBox Regression | Mask |
+----------------------+----------------------+----------------------+
| 17×17 heatmap | 4×17×17 offsets | 63×63 mask |
+----------------------+----------------------+----------------------+
（此处可插入示意图：热力图、边框图、掩膜图）
八、小结与展望
- 分类分支聚焦“哪个位置是目标”，为后续模块提供定位基准；
- 回归分支细化Anchor到精确框，实现尺度与位移回归；
- Mask分支在局部框内做细粒度分割，获得目标轮廓。
三者分工明确、协同高效，共同构成了SiamMask的跟踪+分割能力。
下篇我们将撰写：
《分类分支 vs Mask分支：为什么不能一个分支包办所有任务？》
敬请期待！