解读R-FCN的position-sensitive score map

        R-FCN的位置敏感分数图灵感来自Instance-sensitive Fully Convolutional Networks这篇论文，该论文是针对FCN不能对同类型物体分割的缺点的改进，具体说明见下面：

本论文的出发点：

      FCN可以用来做segmentation（分割）， 做法是把这个分割问题看成是per-pixel的classification问题。如果有C类，那么就在feature map上生成C类分数图（图一（c））。但是这种做法无法做instance segmentation（实例分割），即对同一类型的各个对象是无法区分的。如下图二所示：

                                         

                                 图一 （a）图像分类结果，（b）目标检测， （c）语义分割 ，（d）本文所述的对象分割【1】

                    

                                                                                       图二 FCN语义分割

        原本的FCN语义分割方法无法区分图二的两个人的原因是因为conv提取的特征具有位置不变性。这两个人虽然位置不一样，但是它们最终产生的feature map差不多。那么如何做instance-level的segmentation呢？这篇paper给出了一种解决方法。

---

Instance-sensitive Fully Convolutional Networks

        想要做Instance Segmentation，就需要像素针对不同的Instance有不同的响应。为了解决这个问题，作者提出了Instance-FCN。该论文是在FCN基础上面做的改进，利用全卷积实现了Instance-Segmentation。具体流程如下：

1）提出了 instance-sensitive score map

        在传统的FCN中，每个图像只生成一个score map，每个像素的值表示该像素是否属于目标的概