MaskRCNN模型解读

背景：

　　DL训练框架采用Pytorch，推理框架使用Caffe，模型使用的是基于Facebook新出的MaskRCNN改进版，主要使用ADAS的视觉感知，包括OD,车道线，语义分割等网络。

整体框架：

​ 图1 Mask R-CNN整体架构

　　Mask R-CNN是一个非常灵活的框架，可以增加新的分支完成不同任务，如：目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务。框架延续Faster-RCNN，在基础特征网络后加入了全连接的分割子网，由原来两个任务变为三个任务，采用和Faster-RCNN相同的两个阶段。

　第一阶段有相同的层（RPN），扫描图像生成提议框（proposals,可能包含目标的区域）

　第二阶段除分类和bbox回归外，又添加了一个全卷积网络分支，对每个ROI预测对应二值掩码(binary mask)，决定像素是否是目标一部分。（所谓掩码，就是当像素属于目标所在位置时标识为１，否则为０）。从而将任务简化为多阶段，解耦多个子任务。

 

　流程如下：

一、输入一张图片，进行相应预处理；

二、将其输入到预训练好的神经网络中，获得对应的feature map；

三、对该feature map中的每个点设定预定好数量的ROI，从而获得多个候选ROI；　

四、将这些候选ROI送入RPN网络进行二值分类（前景或背景）和BBOX回归,过滤掉一些候选的ROI；

五、对这些剩下的ROI进行ROIAlign操作；

六、对这些ROI进行分类（Ｎ类别分类），BBOX回归和MASK生成（在每个ROI里面进行FCN操作）

其中虚框里为FasterRCNN部分，下方红框为Maskrcnn新修改部分。

新增部分：

１、ResNet+FPN

    替换了ＶGG网络，转而使用特征表达能力更强的残差网络，为了挖掘多尺度，还使用了FPN结构；

２、将RoI pooling替换为RoiAlign

    解决misalign问题，就是对feature map的插值，roi pooling出来会与实际物体有微小偏移；

３、添加并列的FCN层（mask层）

　用于语义分割的全卷积网络

 

架构分解：

一、主干网

　采用了深度残差网络，太深的网络会训练效果会退化，Resnet使用了跨层连接，使训练更容易

　网络输出f(x)＋x,网络特别深时残差会趋近于0,从而实现了恒等变换。

采用了两种卷积：跳过三个卷积的identity block和跳过三个卷积并在shortcut上存在卷积的conv block,第三个卷积层与shortcut上在卷积都没激活，而是先相加再激活。

　采用1x1的卷积实现降维从而加带卷积运算。

　Resnet101分为５个阶段，，这些输出后会接FPN。

二、FPN

  　为了实现更好的特征整合，最后一层语义强，但位置信息和分辨率较低，容易检测不到小物体，FPN功能就是融合底层到高层的feature map,从而充分利用了提取到的各阶段的特征。

　　

　采用了top-down的结构和横向连接，以此融合具有高分辨率的浅层layer和具有丰富语义信息的深层layer，从而实现了从单尺度的输入图像上，快速构建在所有尺度上都具有强语义信息的特征金字塔，同时并不产生明显的开销。

　FPN是一个窗口大小固定的滑动窗口检测器，在不同的层滑动可以增加其对尺度变化的鲁棒性。

FPN特征融合图

残差模块输出层{C2,C3,C4,C5},对应融合特征层为{P2,P3,P4,P5},对应层间尺寸是相同的。

高层做２倍上采样（最邻近上采样，可以参考反卷积），然后与对应的前一层特征结合，前一层要经过1x1卷积，改变通道数，再做像素间加法。

最后采用3x3卷积去处理已经融合好的特征图，是为了消除上采样的混叠效应。

　　使用P2-P5来预测物体bbox,而P2-P6是用于训练RPN的，即P6只用于RPN中。

三、RPN　　

　　RPN是用于区域选择的子网络，在FasterRCNN中，是在13x13x256的特征图上应用９咱不同尺度的anchor。而MaskRCNN，把特征图设置成多尺度的，然后固定每种特征图对应的anchor尺寸，即｛P2,P3,P4,P5,P6}分别对应的anchor尺度为{32^2,64^2, 128^2, 256^2, 512^2 },当然目标不可能都是正方形，所以采用了三个比例：{1:2, 1:1, 2:1}，所以金字塔结构中共有15种anchors。

RPN结构如下：

各阶层共享后面的分类网络，所以输出通道数要保持一致。

正负样本的界定：

　如果某个anchor和一个给定的ground truth有最高的IOU或者和任意一个Ground truth的IOU都大于0.7，则是正样本。如果一个anchor和任意一个ground truth的IOU都小于0.3，则为负样本。

四、ROIAlign

　　ROI Pooling为了得到固定大小（7X7）的feature map，我们需要做两次量化操作：

1）图像坐标 — feature map坐标，

2）feature map坐标 — ROI feature坐标。

做segment是pixel级别的，但是faster rcnn中roi pooling有2次量化操作导致了没有对齐 .

　例：我们输入的是一张800x800的图像，在图像中有两个目标（猫和狗），狗的BB大小为665x665，经过VGG16网络后，我们可以获得对应的feature map，如果我们对卷积层进行Padding操作，我们的图片经过卷积层后保持原来的大小，但是由于池化层的存在，我们最终获得feature map 会比原图缩小一定的比例，这和Pooling层的个数和大小有关。在该VGG16中，我们使用了5个池化操作，每个池化操作都是2Pooling，因此我们最终获得feature map的大小为800/32 x 800/32 = 25x25（是整数），但是将狗的BB对应到feature map上面，我们得到的结果是665/32 x 665/32 = 20.78 x 20.78，结果是浮点数，含有小数，但是我们的像素值可没有小数，那么作者就对其进行了量化操作（即取整操作），即其结果变为20 x 20，在这里引入了第一次的量化误差；然而我们的feature map中有不同大小的ROI，但是我们后面的网络却要求我们有固定的输入，因此，我们需要将不同大小的ROI转化为固定的ROI feature，在这里使用的是7x7的ROI feature，那么我们需要将20 x 20的ROI映射成7 x 7的ROI feature，其结果是 20 /7 x 20/7 = 2.86 x 2.86，同样是浮点数，含有小数点，我们采取同样的操作对其进行取整吧，在这里引入了第二次量化误差。其实，这里引入的误差会导致图像中的像素和特征中的像素的偏差，即将feature空间的ROI对应到原图上面会出现很大的偏差。原因如下：比如用我们第二次引入的误差来分析，本来是2.86，我们将其量化为2，这期间引入了0.86的误差，看起来是一个很小的误差呀，但是你要记得这是在feature空间，我们的feature空间和图像空间是有比例关系的，在这里是1:32，那么对应到原图上面的差距就是0.86 x 32 = 27.52。这个差距不小吧，这还是仅仅考虑了第二次的量化误差。这会大大影响整个检测算法的性能

　　为了解决ROI Pooling的上述缺点，作者提出了ROI Align这一改进的方法(如上图)。ROI Align的思路很简单：取消量化操作，使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作。如下图所示：

蓝色的虚线框表示卷积后获得的feature map，黑色实线框表示ROI feature，最后需要输出的大小是2x2，那么我们就利用双线性插值来估计这些蓝点（虚拟坐标点，又称双线性插值的网格点）处所对应的像素值，最后得到相应的输出。这些蓝点是2x2Cell中的随机采样的普通点，作者指出，这些采样点的个数和位置不会对性能产生很大的影响，你也可以用其它的方法获得。然后在每一个橘红色的区域里面进行max pooling或者average pooling操作，获得最终2x2的输出结果。我们的整个过程中没有用到量化操作，没有引入误差，即原图中的像素和feature map中的像素是完全对齐的，没有偏差，这不仅会提高检测的精度，同时也会有利于实例分割。

​ 双线性插值

• 遍历每一个候选区域，保持浮点数边界不做量化。

• 将候选区域分割成k x k个单元，每个单元的边界也不做量化。

• 在每个单元中计算固定四个坐标位置，用双线性内插的方法计算出这四个位置的值，然后进行最大池化操作。

这里对上述步骤的第三点作一些说明：这个固定位置是指在每一个矩形单元（bin）中按照固定规则确定的位置。比如，如果采样点数是1，那么就是这个单元的中心点。如果采样点数是4，那么就是把这个单元平均分割成四个小方块以后它们分别的中心点。显然这些采样点的坐标通常是浮点数，所以需要使用插值的方法得到它的像素值。在相关实验中，作者发现将采样点设为4会获得最佳性能，甚至直接设为1在性能上也相差无几。

事实上，ROI Align 在遍历取样点的数量上没有ROIPooling那么多，但却可以获得更好的性能，这主要归功于解决了misalignment的问题。值得一提的是，我在实验时发现，ROI Align在VOC2007数据集上的提升效果并不如在COCO上明显。经过分析，造成这种区别的原因是COCO上小目标的数量更多，而小目标受misalignment问题的影响更大（比如，同样是0.5个像素点的偏差，对于较大的目标而言显得微不足道，但是对于小目标，误差的影响就要高很多）。

​ ROIAlign技术

如图所示，为了得到为了得到固定大小（7X7）的feature map，ROIAlign技术并没有使用量化操作，即我们不想引入量化误差，比如665 / 32 = 20.78，我们就用20.78，不用什么20来替代它，比如20.78 / 7 = 2.97，我们就用2.97，而不用2来代替它。这就是ROIAlign的初衷。那么我们如何处理这些浮点数呢，我们的解决思路是使用“双线性插值”算法。双线性插值是一种比较好的图像缩放算法，它充分的利用了原图中虚拟点（比如20.56这个浮点数，像素位置都是整数值，没有浮点值）四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将20.56这个虚拟的位置点对应的像素值估计出来。

roi-align总结：

对于每个roi，映射之后坐标保持浮点数，在此基础上再平均切分成k*k个bin，这个时候也保持浮点数。再把每个bin平均分成４个小的空间(bin中更小的bin)，然后计算每个更小的bin的中心点的像素点对应的概率值。这个像素点大概率是一个浮点数，实际上图像的浮点是没有像素值的，但这里假设这个浮点数的位置存储一个概率值，这个值由相邻最近的整数像素点存储的概率值经过双线性插值得到，其实也就是根据这个中心点所在的像素值找到所在的大bin对应的４个整数像素存储的值，然后乘以多个参数进行插值。这些参数其实就是那４个整数像素点和中心点的位置距离关系构成参数。最后再在每个大bin中对４个中心点进行max或者mean的pooling。

其实就是对每个格子再次划分四个格子，进行四次采样，每次采样的位置都是四个格子的中心点，由于我知道了它的位置，但是不知道这个中心点位置的具体像素值是多少，所以采用双线性插值法求这个中心点位置的具体像素（利用它周围位置的像素点求），然后对着四个位置的像素值取最大值，得到这个大格子的输出。