一文详解你必须熟知的实例分割模型 Mask R-CNN

欢迎大家来到IT世界,在知识的湖畔探索吧!

©作者 |小欣

01 简述

实例分割（instance segmentation）是机器视觉研究中比较重要、复杂和具有挑战性的领域之一。在机器人，自动驾驶，监视等领域均有应用。

不同于语义分割(semantic segmentation)，实例分割的要求更难，具体如下所示，下图（a）为语义分割，它需要预测每个像素的类别，比如分辨下图的人，羊，背景，狗；而实例分割的要求更进一步，它还需要在预测类别的基础上区分开每一个实例。

02 模型简述

在实例分割领域中，代表性的模型有Mask R-CNN等。Mask R-CNN是R-CNN系列模型的集大成者，它在Faster R-CNN的基础上进行了改进，使得它不仅能更好地解决目标检测问题，还可以用来做实例分割。

简单的来说，在理想情况下，像Mask R-CNN这种实例分割模型，它首先需要先找到一张图中哪些位置可能有物体存在，把它们从原图中找出来，称之为候选框，这里涉及到的部分是模型中的backbone， RPN （Region Proposal Network）和ROI Align层。

然后再进一步进行处理，判断找到的候选框是什么类别的，并判断候选框内中哪些像素是物体，哪些像素只是单纯的背景，模型剩下的部分就是为了实现这个目的。按照这种思路，在通过反向传播的技术进行梯度下降，能实现目标检测和实例分割的功能。

对于如Mask R-CNN这类分成两个步骤去做的模型，被称为二阶段（two-stage）模型，它们一般速度较慢，但都有较好的性能。

虽然Mask R-CNN是2016年提出的实例分割模型，但其强劲的性能使得它仍然在许多比赛中出现，也常被人们当作baseline，而后续慢慢涌现的性能更好的Cascade Mask R-CNN, HTC等模型，事实上都是在Mask R-CNN的基础上进行改良的，所以理解它对于未来的进一步学习是有巨大帮助的。

这里接下来将对它做一个简单的介绍，Mask R-CNN的细节之处很多，推荐看它的源码和论文，若是想更详细的知道Mask R-CNN的前世今生，还需要从R-CNN开始看起

这里将从较宏观的层面上对Mask R-CNN进行解释，希望对小白起到帮助，在心里有个大体的模型流程后再去看更具体的代码实现，也能更加流畅。

03 模型详解

整体上，该模型的流程图如下所示，Mask R-CNN可以分成四块部分进行讲解：backbone，RPN，ROIAlign和最后的prediction head。

Backbone

首先，我们输入图片，假设它是224X224的尺寸，进入模型的backbone，这个backbone一般是图像分类模型去掉最后的全连接层得到的骨干框架，用于得到原图中具有高度语义信息的特征图，这个特征图内蕴含着各个物体的信息，因为backbone里面会都有pooling层缩小特征图尺寸，假设此时最后输出的特征图尺寸为28X28X256，则说明原图和特征图之间的比例为8倍，可以理解成特征图一个像素蕴含了原图八个像素的信息。

RPN层

RPN层比较创新，是Faster R-CNN的核心，只看代码可能不明白它的原理，希望这里的文字解释能对读者后续细读代码起到帮助。

通过backbone得到的特征图，会进入下方RPN层。RPN层就是一个小型的神经网络，它的作用是让模型自己去原图中寻找哪些地方可能存在物体。

继续引用上面的例子，在这一层里，由前面可知，特征图和原图的尺寸存在一个倍的关系，所以模型在原图中每隔个像素会生成若干个bbox，假设生成9个，这九个bbox和特征图对应的那个像素有关，这时一张图就有（28x28x9）个bbox了，一个bbox的坐标可以由它的左上角和右下角的坐标进行表示，即（x1,y1,x2,y2）这种形式。

然后将特征图传入3X1，1X1卷积中，两条分支的输出尺寸分别为28X28X36，28X28X18 , 前者的36可以被理解成9X4，也就是特征图该像素对应的bbox的四个坐标的预测偏移量，而后者的18可以被理解成9X2，代表的就是该像素对应的bbox属于前景/背景的预测概率，根据输出的预测偏移量对bbox进行偏移，并确定它们是否为背景，然后从这若干个bbox中按概率排序，去除部分无用的bbox，剩下的bbox将根据一定的采样方式取出，传入到下一步骤去使用。到这一步骤，模型知道了哪些位置可能有物体，哪些位置可能没物体。

总而言之，RPN的作用就是让模型自己去学原图中哪些地方有物体，哪些地方没有物体。但是若让它凭空就学，难度太高了，所以一开始我们创建了（28X28X9）个bbox，这也称之为先验框，放统计学的贝叶斯角度，就是引入了先验知识。

因为模型有了先验知识，我们只需要让RPN网络去学先验框的偏移量和是否有物体的概率，这比凭空去学简单了不少，最后将这一块学出来的，模型觉得有概率有 物体的若干个bbox，传入下一个阶段，继续去学习。

ROI Align层

接下来进入ROI Align部分，它是Mask R-CNN的创新点之一。

在RPN阶段我们拿到了若干个原图中 可能有物体的bbox，但这些bbox肯定还不够准，还需要细调。

为了将bbox进行细调，Mask R-CNN需要将每个bbox映射到尺寸为的特征图上，至于怎么映射，就是ROI Align干的事了，它和早期的ROI pooling层的作用是一样的，但是更准确，能尽可能找到比较准确的位置。

映射过去之后的bbox其实都会很小，毕竟小了8倍，所以在这一层它内部还会进行插值的操作，最后得到的bbox都是统一尺寸的，比如7X7X256。

总的来说，通过ROI Align，能找到原图的bbox在特征图上的位置，这时候的bbox就完成了原图到特征图的映射，这个bbox蕴含高度的原图信息，可能包含物体。

Predicted Head

先不看右上方的mask head，随后的prediction head就是再次确定，映射后得到的bbox是否是真的有物体，并将它们的坐标再次进行细调。

具体做法就是将那些7X7X256的bbox，经过average pooling变成一维向量，经过全连接层，分别得到它们的坐标偏移量和类别概率，这个坐标偏移量和RPN一样，是预测的bbox的偏移量，但类别那一块，这时候就是具体地去预测这个bbox是什么类别，或者是背景，比RPN网络的预测更具体。

到这一步位置位置，其实基本就是广为人知的Faster R-CNN的模型流程，我们确定了RPN筛选过后的bbox具体是什么类别，并再对它们的bbox进行微调，得到更准确的位置。

事实上，这些步骤中还涉及到一个nms的技术，它能删除冗余的框，让输出的预测框更加的准确，不过这里就不再展开，它也是目标检测领域十分重要的技术。

最后再说一下mask分支，到了这一步，就是根据bbox，再进一步确定bbox内部的像素的类别。

但是我们的bbox只是7X7X256的尺寸，肯定与实际物体大小的不符，所以，这里又用到了一个全卷积层（FCN）和上采样的技术，将这个bbox进一步进行上采样，就是逐步恢复它的尺寸，再通过FCN确定 bbox位置的像素哪些位置可能是物体，哪些地方不是。

04 总结

综上，通过Mask R-CNN的这一套操作流程，我们顺利知道了原图哪些位置可能有目标，哪些像素属于什么类别，即到了实例分割！

对于这种复杂模型的创新，实在不容易做到，向这些优秀的学者致敬！

私信我领取目标检测与R-CNN/数据分析的应用/电商数据分析/数据分析在医疗领域的应用/NLP学员项目展示/中文NLP的介绍与实际应用/NLP系列直播课/NLP前沿模型训练营等干货学习资源。