https://blog.csdn.net/WZZ18191171661/article/details/79453780
Mask-RCNN 的网络结构示意：
其中 黑色部分为原来的 Faster-RCNN， 红色部分为在 Faster 网络上的修改：
1） 将 Roi Pooling 层替换成了 RoiAlign；
2） 添加并列的 FCN 层（mask 层）；
先来概述一下 Mask-RCNN 的几个特点（来自于 Paper 的 Abstract）：
1）在边框识别的基础上添加分支网络，用于 语义 Mask 识别；
2）训练简单，相对于 Faster 仅增加一个小的 Overhead，可以跑到 5FPS；
3）可以方便的扩展到其他任务，比如人的姿态估计 等；
4） 不借助 Trick， 在每个任务上， 效果优于目前所有的 single-model entries；
图中灰色部分是 原来的 RCNN 结合 ResNet or FPN 的网络，下面黑色部分为新添加的并联 Mask 层，这个图本身与上面的图也没有什么区别，旨在说明作者所提出的Mask RCNN 方法的泛化适应能力 - 可以和多种 RCNN 框架结合，表现都不错。
Mask-RCNN 技术要点
- 技术要点 1 - 强化的基础网络
通过 ResNeXt-101+FPN 用作特征提取网络， 达到 state-of-the-art 的效果。 - 技术要点 2 - ROIAlign
采用 ROIAlign 替代 RoiPooling（改进池化操作） 。引入了一个插值过程，先
通过双线性插值到14*14，再 pooling 到7*7，很大程度上解决了仅通过 Pooling 直接采样带来的 Misalignment 对齐问题。
PS： 虽然 Misalignment 在分类问题上影响并不大， 但在 Pixel 级别的 Mask上会存在较大误差。ROIAlign 带来较大的改进， Stride 越大改进越明显。 - 技术要点 3 - Loss Function
每个 ROIAlign 对应 K * m^2 维度的输出。 K 对应类别个数，即输出 K 个
mask， m 对应 池化分辨率（7*7）。 Loss 函数定义：
Lmask(Cls_k) = Sigmoid (Cls_k)， 平均二值交叉熵（average binary cross-entropy） Loss，通过逐像素的 Sigmoid 计算得到。
Why K 个 mask？ 通过对每个 Class 对应一个 Mask 可以有效避免类间竞争（其他 Class 不贡献 Loss ）。
