Mask R-CNN 算法学习总结

• 相关文章链接
  • Resnet论文
  • Mask R-cnn论文
  • 线性插值原理

整体框架

1.Resnet 深度残差学习

1.1 目的

• 防止增加深度模型loss增加问题

1.2 深度学习深度增加带来的问题

• 梯度消失与爆炸问题
• 退化问题：随着网络深度的增加，准确度会饱和，然后迅速退化。

1.3 Resnet实现思想【添加恒等映射】

• 增加模型层数与恒等映射做对比，如果增加层数效果变差，就把权重设置接近于0的值。【近似于没有增加模型深度】
• 确保较深的模型应该不会比较浅的模型产生更高的训练误差。
  
• Convolution Block和identity Block区别
  • Convolution Block通道数和特征图大小变化了
    

2.线性插值

2.1 目的

• 减少像素特征不对齐问题
• 降低预测框误差

2.2 线性插值原理

• 单线性插值: 根据2点确定一条直线，斜率固定，就可以得到插入值的位置
• 多线性插值就是多次的但线性插值得到的

2.3 为什么使用线性插值?

• 对图片上采样，原始图片$3\ast 3$范围红色框中的值，会得到$4\ast 4$框中红色框的值。
• 假设目标图片红框坐标为$(i,j)$,那么在原始图片位置$（i\ast 3/4,j\ast 3/4）$
• 已知$i=2,j=3i=2,j=3i=2,j=3$,所以在原始图片位置$(1.5,0.75)$
  • 不是整数，在找原始图片位置时，会自动取整
  • 即，需要使用线性插值，来降低误差
    

3.FPN 特征金字塔

3.1 FPN介绍

• 横向连接的自顶向下结构
• 用来提取特征和特征融合

3.2 为什么使用FPN?

• 在特征提取中去最后一层特征图，对图片语义性较高，但是对于图片的小物体，零散特征不多，使小物体在图片中检测的效果不好
• 将多个阶段特征图融合在一起，有了高层语义特征，也有了底层轮廓特征，效果会更好
  

3.3 自下而上层【提取特征】

• 使用Resnet深度残差算法主干结构提取特征，返回每个阶段最后一层的数据。
  • 不改变特征图大小的层为一个阶段
  • 每次提取特征都是每个阶段最后一层的输出

3.4 自上而下层【横向连接，特征融合】

• 使用1*1卷积核将特征图大小统一
• 使用线性插值进行上采样与此阶段的前一个阶段进行特征融合，以此类推，返回特征融合后每个阶段的值
• 例如：C5阶段的特征图上采样后与C4的特征图融合，得到P4。
  

4. Anchors(候选框生成)

4.1 实现步骤

• 对提取的特征图进行区域金字塔网络
• 将生成很多不同的候选框，在图片上进行提取特征，一个图片会提取出多种特征图
• anchors(候选框生成)：以每个像素点为中心，设置3个不同大小的scales，每个scales有3个不同的roatis，生成各种框
• 例如:scales:(32, 64, 128),roatis([0.5, 1, 2])，所以每个像素点会生成9个不同的框
  

5. RPN 区域建议网络

5.1 目的

• 提取前景与背景
• RPN具有平移不变性
  • 在不同位置的同一物体都可以检测出来，因为生成了很多框

5.2 实现步骤

• 分类：对生成的候选框进行二分类，判断是前景还是背景
• 回归：得到候选框偏移量【ground-truth与候选框偏移大小】
• 将生成的候选框做前景和背景二分类
  • 返回分类得分，分类概率，区域框数据
    

6. ROI 感兴趣区域

6.1 目的

• 筛选有用的候选框

6.2 实现步骤

• 按照前景得分排序，取前n个的得分最高的候选框
• 根据候选框偏移量微调候选框位置，使候选框更接近grouth-truth框
• 对于越界的候选框，进行范围修剪
• IOU过滤：筛选出候选框与ground-truth重叠比例大于阈值的候选框
• MNS(非极大值抑制)过滤：候选框重叠比例大于阈值的最高得分候选框
• 根据得分值选择前n个得分最高的前景，获取正样本数据集

7. DetectionTargetLayer【目标检测层】

7.1 目的

• 找到正样本GT的类别,IOU最大的类别
• 正样本与GT-box的偏移量
• 正样本与GT-box对应的掩码mask，即实例分割框
• 负样本的偏移量与mask使用0填充

7.2 实现步骤

• 去除padding填充的候选框
• 获取前n个得分最高的前景数量不够，会使用padding填充，凑齐n个前景
• 去除一个框包含多个物体的去除
• 正负样本判断：基于ROI和ground-truth,通过IOU值与默认阈值0.5判断
• 数据集正负比例为1:3

8. RoiAlign 水平对齐

8.1 为什么使用线性插值实现？【使用RoIPool带来的问题】

• 当一个特征图大小为800时，物体大小是665，对特征图进行卷积，假设特征图缩小了32倍，800/32=25,得到新的25大小特征图，但是665/32=20.78,所以物体的位置应该在25特征图上占20.78，但是他们会舍弃小数，实际是占20的大小
• 将物体映射到原图，会损失0.78*32=24.96个像素点，对于大物体偏差不大，但是对于小物体偏差就会很大【如果出现奇数就会出现这个问题】

8.2 使用ROIAlign 与RoiPool的原因

• 网络进入全连接层，需要保持特征图大小一致

8.3 ROIAlign优点

• 消除了RoIPool的苛刻量化【向下取整】，将提取的特征与输入正确对齐。
• RoIPool没有pixel-to-pixel之间对齐关系，不能预测到原图位置的像素点，预测位置具有较大的误差。
  

9.分类与回归

• 将所有特征图大小统一后，就可以进入全连接层
• 进行相关分类与回归操作