Mask-RCNN论文学习

《Mask R-CNN》 基于 Mask R-CNN的目标检测

• 作者: Kaiming he
• 单位: Facebook Al research（FAR）
• 发表会议及时间:ICCV 2017

RCNN发展时间坐标：RCNN ->Fast RCNN->Faster RCNN->Mask RCNN

研究成果（Research background）

Mask CNN由 Faster RCNN改造而来，该模型为图片中的对象实例产生边界框和分割掩膜。该模型基于FPN和一个ResNet101为主结构。增加了

1. Rol Align
2. Mask Prediction Branch

Mask R-CNN训练简单，相对于 Faster R-CNN只增加了很小的开销，运行速度在5fps。此外， Mask R-CNN很容易推广到其他任务，例如，在同一个框架中估计人体姿势。

技术要点（Research background）

RCNN

1. Selective search提取2000个待检测区域
2. 用 Alexnet进行特征提取
3. 用支持向量机进行分类
   

RCNN的问题
4. 耗时的 selective search，对一帧图像，需要花费2s。
5. 耗时的串行式CNN前向传播，对于每一个RoI，都需要经过一个 AlexNet提特征,为所有的RoI提特征大约花费47s。
6. 三个模块是分别训练的，并且在训练的时候，对于存储空间的消耗很大。

Fast-RCNN
7. selective search提取2000个候选框
8. 对全图进行特征提取
9. 使 Rol Pooling Layer在全图特征上摘取每一个Rol对应的特征
10. 通过全连接层（ FC Layer）进行分类与包围框的修正

Fast-RCNN的问题
11. 耗时的 selective search，还是存在

Faster RCNN

• Region Proposal Network代替 selectivesearch
  优点:在生成ROI区域时，时间大幅缩减
  

1. 共享的卷积层backbone
2. RPN
3. 分类网络

anchor boxes有9种不同的尺寸。RPN做的是两个任务，判断前后景以及坐标修正。

Rol POOL

• 由于进行浮点数取整，Rol feature是通过四舍五入取整得到的结果，通过 Rol pooling过后的输出可能与原图像的ROI尺寸对不上
• 因此，我们引入了 Rol Align