联合检测和分割多任务的方法研究

    目前这类在自然图像中和实例分割很相近，给出每类别个体的分类，同时首先给出单个体的候选检测框。针对这类最新的方法很像Mask-RCNN的形式，包含RPN提取候选框，在faster RCNN的基础网络上添加分割支路，像何凯明的mask RCNN的关键在于如何构建一个ROI warp层，通过精心设计该层，实现网络能够实现多任务的联合训练。

    针对联合检测和分割，近期在了解和收集资料，在此先给出我了解的联合检测和分割的参考文献。

1 Mask R-CNN

我们提出一个概念上简单，灵活，一般对象实例分割框架。我们的方法同时高效地检测图像中的物体为每个实例生成高质量的分段掩码。这种称为Mask R-CNN的方法延伸得更快R-CNN通过添加一个分支来预测对象中的掩码与现有的边界框识别分支平行。mask R-CNN训练简单，只增加一点点开销更快的R-CNN，运行速度为5 fps。此外mask R-CNN很容易推广到其他任务，例如允许我们在相同的框架下估计人的姿势。我们在COCO数据的所有三个曲目中显示最佳结果挑战，包括实例分割，边界框对象检测和人员关键点检测。没有技巧，Mask R-CNN胜过所有现有的单一模式包括COCO2016挑战在内的每一项任务获奖者。我们希望我们的简单而有效的做法作为一个坚实的基线，并有助于缓解未来的研究实例级别的识别。代码将被提供。

本文的创新点：1）在边框识别的基础上添加分支网络，用于 语义Mask 识别；