Mask R-CNN学习记录

工作需要，最近研究了一段时间关于目标检测方面的东西，主要还是学习了一下目标检测领域比较著名的Mask R-CNN的代码，关于网上对代码的解读过程有一大堆，所以我在这里不记录详细的代码阅读过程。我会记录一些我认为比较重要的东西，不喜欢的博友勿喷就好。

我记得，有人跟我说过，学习最快的速度就是直接阅读别人写的代码，因为这样会避免一些别人遇到过的坑，而能够使你在应用的时候知道为什么要这样做，但这不意味着书上或者其他的东西没有必要去学习，代码就像石头占据了很大的空间，但是我们还需要沙子来填补他们之间的缝隙，形成模块与模块之间的紧密连接。

对Mask R-CNN论文原文有兴趣的博友可以自行在网上找原文阅读。

接下来，我们一起来聊一聊Mask R-CNN的架构：

#################################################################

第一部分：ResNet残差神经网络

问题：随着网络深度的加深，梯度消失的现象越来越明显，网络的准确率下降，如何解决这些问题？

答案：残差网络ResNet横空出世。

ResNet就是为了解决随着网络深度的加深，出现梯度下降，准确率降低的问题。ResNet残差网络是由两种残差结构组成。残差结构又是由残差块组成，常见的残差块有两种类型，一种是3x3和3x3的两层结构，一种是1x1，3x3和1x1的三层结构，见下图：

两种结构的残差块

由上面的两种残差块可以知道，残差网络中允许原始输入直接传输到后面的输出层中，举个简单的例子，假如某个神经网络的输入是x，期望输出是H(x)，如果我们直接把x传输到输出作为初始结果，那么此时我们需要学习的目标就是F(x) = H(x) - x，相当与ResNet改变了学习目标，不再是学习一个完整的输出H(x)，而只是去学习输入和输出的差别H(x) - x，即残差部分。

理解了残差块的原理和结构，我们就不难理解代码中为什么要这么做了，残差网络由不带卷积的短链接(identity)和带卷积的短链接(conv)两个函数组成。主要体现在最后进行Add(x, input_tensor)的时候是否要对input_tensor再做一次卷积操作。

from tensorflow.keras import layers as KL

接下来主要说一说，残差网络中使用最多的3个API: KL.Conv2D()，KL.BatchNormalization()，KL.Activation()

卷积操作：卷积在此可以简单的理解为权重w和输入x的乘积累加和操作。

Conv2D() 参数详解：filter：过滤器的数量，可以理解为卷积输出的通道数。

                                  kernel_size: 卷积窗口的大小，一般为奇数，如1x1， 3x3， 5x5。

                                  stride：元组类型，表示在图片的宽度和高度方向移动的步长。

                                  padding：两种取值，"same"和"valid"， "same"是零填充，"valid"是不需要零填充。

如果输入的是多通道的彩色图像，卷积的原理是一样的，最后需要将同一位置的不同通道计算的值加在一起即可。

卷积输出特征图的大小计算，依据如下公式: