Mask-RCNN技術解析
一. Mask-RCNN 介紹
上篇文章介紹了 FCN，這篇文章引入個新的概念 Mask-RCNN，看著比較好理解哈，就是在 RCNN 的基礎上新增 Mask。
Mask-RCNN 來自於年輕有為的 Kaiming 大神，通過在 Faster-RCNN 的基礎上新增一個分支網路，在實現目標檢測的同時，把目標畫素分割出來。
Mask-RCNN 的網路結構示意（在作者原圖基礎上修改了一下）：
假設大家對 Faster 已經很熟悉了，不熟悉的同學建議先看下之前的博文：【目標檢測-RCNN系列】
其中 黑色部分為原來的 Faster-RCNN，紅色部分為在 Faster網路上的修改：
1）將 Roi Pooling 層替換成了 RoiAlign；
2）新增並列的 FCN 層（mask 層）；
先來概述一下 Mask-RCNN 的幾個特點（來自於 Paper 的 Abstract）：
1）在邊框識別的基礎上新增分支網路，用於 語義Mask 識別；
2）訓練簡單，相對於 Faster 僅增加一個小的 Overhead，可以跑到 5FPS；
3）可以方便的擴充套件到其他任務，比如人的姿態估計 等；
4）不借助 Trick，在每個任務上，效果優於目前所有的 single-model entries；
包括 COCO 2016 的Winners。
PS：寫到這兒提醒一句，建議大家先讀一遍 原 Paper，這樣再回來看的話會有第二次理解。
二. RCNN行人檢測框架
基於最早的 Faster RCNN 框架，出現不少改進，主要有三篇需要看：
1）作者推薦的這篇
Speed/accuracy trade-offs for modern convolutional object detectors
論文下載【arxiv】
2）ResNet
MSRA也算是作者自己的作品，可以 refer to blog【ResNet殘差網路】
論文下載【arxiv】
3）FPN
Feature Pyramid Networks for Object Detection，通過特徵金字塔來融合多層特徵，實現CNN。
論文下載【arxiv】
來看下 後面兩種 RCNN 方法與 Mask 結合的示意圖（直接貼原圖了）：
圖中灰色部分是 原來的 RCNN 結合 ResNet or FPN 的網路，下面黑色部分為新新增的並聯 Mask層，這個圖本身與上面的圖也沒有什麼區別，旨在說明作者所提出的Mask RCNN 方法的泛化適應能力 - 可以和多種 RCNN框架結合，表現都不錯。
三. Mask-RCNN 技術要點
● 技術要點1 - 強化的基礎網路
通過 ResNeXt-101+FPN 用作特徵提取網路，達到 state-of-the-art 的效果。
● 技術要點2 - ROIAlign
採用 ROIAlign 替代 RoiPooling（改進池化操作）。引入了一個插值過程，先通過雙線性插值到14*14，再 pooling到7*7，很大程度上解決了僅通過 Pooling 直接取樣帶來的 Misalignment 對齊問題。
PS： 雖然 Misalignment 在分類問題上影響並不大，但在 Pixel 級別的 Mask 上會存在較大誤差。
後面我們把結果對比貼出來（Table2 c & d），能夠看到 ROIAlign 帶來較大的改進，可以看到，Stride 越大改進越明顯。
● 技術要點3 - Loss Function
每個 ROIAlign 對應 K * m^2 維度的輸出。K 對應類別個數，即輸出 K 個mask，m對應 池化解析度（7*7）。Loss 函式定義：
Lmask(Cls_k) = Sigmoid (Cls_k)， 平均二值交叉熵 （average binary cross-entropy）Loss，通過逐畫素的 Sigmoid 計算得到。
Why K個mask？通過對每個 Class 對應一個 Mask 可以有效避免類間競爭（其他 Class 不貢獻 Loss ）。
通過結果對比來看（Table2 b），也就是作者所說的 Decouple 解耦，要比多分類 的 Softmax 效果好很多。
四. 對比實驗效果
另外，作者給出了很多實驗分割效果，就不都列了，只貼一張 和 FCIS 的對比圖（FCIS 出現了Overlap 的問題）：
五. Mask-RCNN 擴充套件
Mask-RCNN 在姿態估計上的擴充套件，效果不錯，有興趣的童鞋可以看Paper。
