Mask R-CNN框架
目的：检测图像中的对象object（bounding box），同时为每个实例生成高质量的分割mask（框中哪个像素属于物体，哪个像素属于背景）
- 第一阶段(RPN)：通过RPN网络提取候选框（哪些区域可能是物体）
- 第二阶段：对于选取出来的候选框，通过RoIAlign或者RoIPooling操作得到固定大小的feature map（包括当前物体的一些信息），通过feature map来预测类别或者bounding box以及mask（mask只对正样本做）
Mask R-CNN主要组件
Region Proposal Network（区域建议网络）
目的：图片通过backbone得到feature map，在feature map上预测哪些地方有可能出现proposal
主要步骤：采用滑窗机制，在feature map每个点去预测多个anchor，通常根据不同长宽比设置9个anchor，然后计算anchor相对每个点代表的物体(或者包围的物体)的一个偏移量(x,y,w,h)，为4k coordinates。同时预测每个proposal是正样本和负样本的分数为多少，所以为2k scores。
具体实现细节参考NIPS2015发表的文章Faster R-CNN：https://proceedings.neurips.cc/paper/2015/file/14bfa6bb14875e45bba028a21ed38046-Paper.pdf
Feature Pyramid Network（特征金字塔网络）
用resnet101层网络提取特征。得到不同尺度的特征
从低分辨率往高分辨做渐进式的融合，使得每一层的feature
- 一方面融合了更高的视觉信息
- 一方面融合了多尺度的特征
小物体在高分辨率做，大物体在低分辨率上做
因为小物体可能本身为32×32，变成低分辨率可能变成1个pixel，就无法检测了。
最后做预测，但是Mask R-CNN其实可以不在FPN上面做，可以直接在backbone的最后面预测就行了
具体实现细节参考CVPR2017发表的文章：
https://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.pdf
Head Architecture（头部结构）
目的：mask分支怎么加到检测的分支上
不使用FPN的时候，怎么做mask生成
把RoIAlign出来的feature map（7×7×1024），通过一直输入，到res5得到feature map（7×7×2048）
- 如果是做分类和回归：通过average pooling
- 如果是做mask生成：通过反卷积（上采样）得到更高分辨率的feature map，然后预测80类的mask（coco数据）
mask分支对应的ground true是怎么生成的？
对于proposal，跟ground truth的bounding boxes找一个IoU最大的bounding boxes
在分割的时候，把proposal对应的ground truth的mask做一个变换，当作proposal在mask分支的ground truth
首先RoIAlign（本质就是双线性插值）通过两次卷积conv，输出为（7×7或者14×14），上采样成28×28，两种方法：
- resize到原始ground true mask的大小
- 将原始的mask resize成28×28，mask可能超过框，我们通过框把mask做截取，然后再resize成28×28