Mask-RCNN的主要贡献

mask-rcnn一举超越经过各种数据增强加持的2016年COCO的分割挑战赛冠军FCIS，分割结果与检测结果并行输出，结果令人印象深刻！

其主要改进如下：
1，基础网络的增强。ResNext101+FPN是目前基础网络提取特征的王牌；
2，ROIAlign。原来的ROIPooling的量化操作会有一个取整，从而产生一定的误差，这里使用特征图的双线性插值，降低了误差；
3，分割 loss 的改进。基于单像素softmax的多项式交叉熵（FCIS采用）修改为基于单像素的sigmoid二值交叉熵，

物体检测中，Mask-RCNN 比一般的 state-of-the-art 方法（用Fatser-RCNN+ResNet-101+FPN实现）在 bounding-box 的 AP 上高3.6个点，1.1来自ROIAlign，0.9来自多任务训练，1.6来自更好的基础网络（ResNeXt-101）