FCIS：Fully Convolutional Instance-aware Semantic Segmentation
论文：Fully Convolutional Instance-aware Semantic Segmentation
0.简介
如果不懂 instance-sensitive score maps 或者说 position-sensitive score maps，建议先去看《Instance-sensitive Fully Convolutional Networks》这篇文章，或者看上一篇梳理https://www.cnblogs.com/importGPX/p/13514977.html，因为FCIS就是（应该是自家研究团队，清华+微软）在那篇的基础上研究的。
下面都按已经看过上篇来说。
我把这篇的改进贡献分为两部分（尤其是相较于上述那篇工作）。
一是算法原创性改进：
- 通过引入位置敏感的内/外分数图（position-senstive inside/outside score maps）联合解决检测+分割问题，底层的卷积表达被两个子任务以及所有的感兴趣区域完全地共享。
二是时代发展出的通用方法改进：
- 不再用slide window，而是用RPN网络来产生ROI，且做了offset的回归来纠正ROI。
- 端到端的设计。
作者认为当时流行的实例分割模型存在以下问题：
- 用ROI pooling，造成mis-alignment问题，位置精度丢失。
- 参数过多。不适用局部参数共享，全连接层参数过多。
- 每个ROI单独计算，效率低。
作者提出解决方案：
- 不适用ROI pooling，组合一组位置敏感分数图，得到ROI特征。
- 使用局部参数共享的FCN，不使用全连接层，解决问题2和3。
1.Position-sensitive Score Map
卷积操作是平移不变的（translation invariant）的——同一个像素会得到相同的结果，与它的相对位置及上下文无关，但在实例分割中，相同的一个点在不同情况可能应该得到不同的结果，如上图的前两行中的红点，在原图中在相同的位置，是同一个点，但在不同的实例框应该得到不同的结果，第一行的图红点应该属于实例部分，第二行是对于右边的男孩，此点就不应该属于此实例。所以应该引入平移应变性（translation-variant property）。
position sensitive score maps就是《Instance Sensitive FCNs》那篇中的Instance Sensitive score maps，不再重复，不同的是引入了inside/outside来联合解决检测与分割问题。见下节。
2.Joint Mask Prediction and Classification
如果只用position sensitive score maps是不能确定物理类别的，就像《Insatnce sensitive FCNs》一样，为了解决这一问题，经常在后面加一个分类的分支网络。
在本文的方法下，ROI区域内的每个像素有以下两个任务：
- 检测，它是否属于某一个目标的bounding box（detection+/detection-）；
- 分割，它是否属于某个实例，即是否在实例边界内（segmentation+/segmentation-）。
简单的方式就是训练两个独立分类器，本文的一种baseline FCIS（separate score maps），就是用了两个1×1卷积层当分类器。
FCIS设计了一个联合规则，可以融合这两个任务。首先明确上面提到的inside/outside的含义：
- inside score map：像素在某个相对位置属于某个目标实例，且在目标边界内。
- outside score map：像素在某个相对位置属于某个目标实例，且在目标边界外。
设计的联合规则为，对于ROI中的一个像素：
- 高的inside分数 & 低的outside分数：detection+ & segmentation+
- 低的inside分数 & 高的outside分数：detection+ & segmentation-
- 低的inside分数 & 低的outside分数：detection- & segmentation-
不可能有第四种 高inside& 高outside（在框内且在框外）。
-
对于检测：使用逐像素的max操作区分前第1、2种情况和第三种情况。然后通过对所有像素的概率进行平均池化，最后做一个在所有类别上的softmax，，得到整个ROI的检测分数。
-
对于分割：对于每个像素进行softmax区分第1种情况和第2种情况。
检测和分割这两个分数图来自两个1x1卷积层。inside/outside分类器被联合训练，因为它们接收来自于分割和检测损失的梯度。FCN的局部权重共享特性被保持，且作为一种正则化机制。
3.Networks architecture
-
主干网络用ResNet-101,去掉最后用于分类的全连接层，只训练前面的卷积层，最后的特征图是2048通道的，通过1x1的卷积降维到1024。因为是分割要用分辨率更高的feature map，所以把stride从32降到16：conv5第一个block的stride从2降到1。为了保持感受野，使用空洞卷积，conv5所有的卷积层dilation都设置为2。
-
上分支：使用1x1的卷积从conv5的特征图生成\(2K^2×(C+1)\)个分数图：C类+1个背景类；默认地，k=7（因为最终的特征图相比原始图像缩小了16倍，所以在特征图上，每一个RoI相当于被投影进小16倍的区域中）。然后组装成2×（C+1）个inside/outside分数图。最后进行第二节中所述操作分别得到ROI的mask和检测分类结果。（网络预测阶段时，RPN产生、调整出300个分数最高的ROI，对每个ROI的每个类别都产生分类分数、前景mask，然后再做NMS，保留下最终的结果。）
-
下分支：在conv4后面接RPN网络，然后再接BBox的offset回归层（1×1的卷积，\(4K^2\)个通道），调整ROI框。
