文章目录
前言
前文目标检测-Two Stage-Faster RCNN提到了Faster RCNN主要缺点是：
- ROI Pooling有两次量化操作，会引入误差影响精度
Mask RCNN针对这一缺点做了改进，此外Mask RCNN还添加了全卷积网络的分支，拓展了网络的应用范围，使其可用于多种视觉任务：包括目标分类、目标检测、语义分割、实例分割、人体姿态识别等
提示：以下是本篇文章正文内容，下面内容可供参考
一、Mask RCNN的网络结构和流程
- 利用骨干网架构（Backbone Architecture）提取多尺度特征，获得多尺度共享卷积特征图（Feature Maps）
Backbone Architecture由Backbone（ResNet50）和特征金字塔网络FPN（Feature Pyramid Network）组成
- 利用RPN（Region Proposal Network）网络生成候选框，进行分类和第一次边框修正
ps：输入的是多个尺度特征图，每个特征图对应一个RPN，因为输入是多尺度特征，就不需要再对每层都使用3种不同尺度的anchor了，所以只为每层设定一种尺寸的anchor
在P2-P6的五个特征图上分别对应设置5个不同的anchor size(32, 64, 128, 256, 512)并设置3种长宽比(0.5, 1.0, 2.0) ，也就是每个特征图的每个像素点生成3个anchor(x, y, w, h)
例如，输入图像为512 × 512，那么五个特征图的尺寸分别为128, 64, 32, 16, 8，那么生成的anchors的数量为(128 × 128 + 64 × 64 + 32 × 32 + 16 × 16 + 8 × 8) × 3 = 21824 × 3 = 65472
- 将生成的Region Proposal和多尺度共享卷积特征图（Feature Maps）输入RoI Align，获取每个候选框的多尺度池化特征图
ps：ROI Align是RoI Pooling的改进
ROI Align并没有采用量化操作，而是使用线性插值算法计算特征图，因为没有用到量化操作，就没有引入误差，即原图中的像素和feature map中的像素是完全对齐的，没有偏差，这不仅会提高检测的精度，同时也会有利于实例分割。
- 将候选框的池化特征图输入Head Architecture结构进行分类、第二次边框修正以及生成掩膜（mask）
ps：当使用FPN时，Head Architecture为左边结构，反之为右边结构，实际使用中右边结构更加常用
二、Mask RCNN的创新点
- 结合FCN增加了Mask Prediction Branch，使得到的网络可用于多种视觉任务，向通用视觉模型迈出了一步
- 提出了RoI Pooling的改良方法RoI Align，提高了精度
- 通过引入特征金字塔网络（Feature Pyramid Network，简称FPN）来处理不同尺度的目标，有助于改进目标检测的性能，尤其是小尺寸对象目标检测。
总结
- 整个Mask R-CNN算法非常的灵活，可以用来完成多种任务，包括目标分类、目标检测、语义分割、实例分割、人体姿态识别等多个任务
- 除此之外，我们可以更换不同的Backbone Architecture和Head Architecture来获得不同性能的结果。
- 但是，Mask RCNN仍未脱离Two Stage算法速度慢的限制，难以用于实时场景，因此，出现了目标检测新的流派：One Stage算法