1.摘要
本文提出了一种概念简单、灵活、通用的实例分割方法，该方法在有效地检测图像中的物体同时，为每个物体实例生成一个实例分割模板，添加了一个分支，用于预测一个对象遮罩，与现有的分支并行，用于边界框识别，Mask R-CNN易于训练，只给Faster R-CNN增加了很小的开销,运行速度为5fps,另外,Mask R-CNN很容易推广到其他任务，例如，允许我们在同一框架中估计人类姿势，我们展示了COCO系列挑战的所有三个方面的最佳结果，包括实例分割、边界框对象检测以及人类关键点检测，没有任何花里胡哨的东西，Mask R-CNN在每项任务上都优于所有现有的模型参赛作品，包括COCO 2016挑战赛的获胜者。我们希望我们简单而有效的方法将作为一个坚实的基线，并有助于简化实例级识别的未来研究。
2.模型结构图
3.算法步骤
1.首先，输入一幅你想处理的图片，然后进行对应的预处理操作，或者预处理后的图片；
2.然后，将其输入到一个预训练好的神经网络中（ResNet等）获得对应的feature map
3.接着，对这个feature map中的每一点设定预定个的ROI，从而获得多个候选ROI；
4.接着，将这些候选的ROI送入RPN网络进行二值分类（前景或背景）和BB回归，过滤掉一部分候选的ROI；
5.接着，对这些剩下的ROI进行ROIAlign操作（即先将原图和feature map的pixel对应起来，然后将feature map和固定的feature对应起来）；
6.最后，对这些ROI进行分类（N类别分类）、BB回归和Mask生成（在每一个ROI里面进行FCN操作）。
4.模型结构解析
4.1 Mask R-CNN/FPN
带和不带FPN结构的Mask R-CNN 在Mask分支上略有不同，对于带有FPN结构的Mask R-CNN它的class、box分支和Mask分支并不是共用一个RoIAlign，在训练过程中，对于class, box分支RoIAlign将RPN（Region Proposal Network）得到的Proposals池化到7x7大小，而对于Mask分支RoIAlign将Proposals池化到14x14大小（Mask分支，因为实例分割要保留更多的细节，所以没有池化到77格式，选择池化到1414格式）
4.2 RoIpooling和RoIAlign
Faster RCNN使用RoIPool将RPN得到的Proposal池化到相同大小，过程涉及到取整操作，导致定位不是那么准确（misalignment）
RoI pooling：1.将Proposal映射到特征层上；2.将得到的Proposal强行划分成规定大小(55->22)
RoIAlign:1.不进行四舍五入2.期望输出是22大小的话，将proposal划分为22个子区域，设置sampling_ratio为每个子区域设置采样点，计算每个子区域中采样点的值（双线性插值），最后对每个区域内所有采样点取均值即为该子区域的输出。
4.3 Mask分支
FCN中，对待每个像素的每个类别都会预测一个分数，然后通过softmax得到每个类别的概率（不同类别之间存在竞争关系），那个概率高就将像素分配给哪个类别，
在Mask R-CNN中，，对预测Mask以及Class进行解耦，对输入的RoI针对每个类别都单独预测一个Mask，最终根据box, cls分支预测的classes信息来选择对应Proposals:提议、提案、建议，在这里指的是二阶段方法中RPN的输出框，也就是对anchor第一次做回归得到的结果，就是候选框，用RPN生成候选框，然后分类和回归，region proposal指的是候选区域。类别的Mask
5.损失函数
logits:网络预测的输出
targets：对应的GT
如下图所示，假设通过RPN得到了一个Proposal（图中黑色的矩形框），通过RoIAlign后得到对应的特征信息（shape为14x14xC），接着通过Mask Branch预测每个类别的Mask信息得到图中的logits（logits通过sigmoid激活函数后，所有值都被映射到0至1之间）。通过Fast R-CNN分支正负样本匹配过程我们能够知道该Proposal的GT类别为猫（cat），所以将logits中对应类别猫的预测mask（shape为28x28）提取出来。然后根据Proposal在原图对应的GT上裁剪并缩放到28x28大小，得到图中的GT mask（对应目标区域为1，背景区域为0）。最后计算logits中预测类别为猫的mask与GT mask的BCELoss即可。
