Mask R-CNN翻譯（主要技術點解析）
今年何凱明大神再放大招，運用不多的策略就打敗了去年例項分割的冠軍，並且在去除mask分支的基礎上達到了目標檢測（class、box）的最好成績。廢話不多說，馬上進入正題~
note：以下僅為個人理解，如有錯誤還請各位留言糾正
策略一：採用並行訓練策略
Mask R-CNN僅僅是在Faster R-CNN的基礎上添加了一個預測mask分支（FCN）掩碼的，達到畫素級別的分類目標，並且與以往的訓練方法不同，Mask R-CNN採用並行訓練的方式，mask分支不受class與box分支的影響，即他們之間沒有資訊互動。消除class與box資訊影響是由L_mask來實現的。先來看一下總損失：L=Lcls+Lbox+Lmask，其中Lcls與Lbox是Faster R-CNN定義的，文中沒有改變其定義。而Lmask是由FCN輸出的K*m*m個掩碼來定義的，這是本文的主要貢獻：
RPN預先生成的每個ROI由FCN生成K*m*m大小的feature-map。其中K為類別總數，m是超引數。可以將m*m看做為ROI壓縮後的固定大小，因為m*m的就是表示掩碼資訊，將其重新resize成ROI大小即為各個類別在該ROI上的分割畫素資訊。單層m*m的feature-map資訊如下圖所示：
都是浮點數型別，表示每個畫素（壓縮過後的）為該例項的得分。之後將這些得分通過sigmoid函式壓縮至[0，1]範圍內。此時的數值可以看作為對應畫素為該類例項的概率。之後以0.5為閾值將m*m二值化為positive（正樣本）與negative（負樣本），Lmask就是計算二值化後的K*m*m大小的feature-map中的正樣本的均值交叉熵損失（注意，此時只計算正樣本）。即對每一個m*m層求算數平均交叉熵損失的輸入。可以看出，此時的Lmask與類別無關，去除了mask與class的相關性。
策略二：ROIAlign
對於ROIPOOL層，在cls與box任務中表現出色，而對於mask任務，是pixel-to-pixel，要求嚴格畫素之間的對齊，此時ROIPOOL只能被看作為粗略的空間量化，損失大量的空間資訊。為了保留精確的空間位置資訊，且保證只新增少部分計算開銷的前提下，文中提出ROIAlign層，利用雙線性插值的方法來解決對齊問題。
雙線性插值，可參考：http://blog.csdn.net/xjz18298268521/article/details/51220576