论文在此：https://arxiv.org/pdf/1703.06870.pdf
Mask RCNN是在Faster RCNN基础上的改进算法。这里之所以单独成文是因为Mask RCNN不仅仅用于目标检测，还用于实例分割。
目标检测和实例分割的区别在于，实例分割不仅仅需要将目标识别，还需要将它的轮廓绘出。这意味着需要对每一个像素进行分类。
这么说也不严谨，因为容易跟语义分割混淆。我们还是统一区别一下目标检测，语义分割，实例分割这三者。
下图从左往右分别是目标检测，语义分割，实例分割。
目标分割是圈出图中目标位置，并对目标分类; 语义分割是圈出目标准确轮廓，并对目标分类；实例分割是圈出目标轮廓，并对目标分类，且在同类别内部再次区分不同个体。
好，开始讲解Mask RCNN。
Mask RCNN预测流程
先看Mask RCNN的流程图：
另一种表示：
Maks RCNN从Faster RCNN改进而来，主要的改进点是：
1)将ROI Pooling改进为ROI Align
2)设计出与图像分类，位置回归平行的第三个分支：基于FCN的mask层用于图像分割
1)ROI Align
ROI Algin的引入是为了解决ROI Pooling精度上的缺陷
ROI Pooling在操作过程中，因为使用了量化，导致proposal框被“四舍五入”，与原框有了误差：
误差来自于两个阶段：
1) 当从feature map上去圈出原图中的框映射过来的ROI时，因为不能保证原图的框坐标正好可以整除缩小到当前feature map上，所以会有量化误差(注意图中黑线边框)：
2)接着，需要进行Max Pooling过程。在前文的章节讲过，为了保持输出结果的shape一致，可以通过高宽分别划分来进行。
现在上图为8*9，需要Max Pooling为3*3，很显然宽可以划分，高被划分3段会出现浮点数。为了避免浮点数，需要将高量化为最近的6以便整除3，所以就是6*9：
这样经过两个误差之后，ROI其实跟原图所希望圈出的目标框有了不小的误差。
为了避免这个误差，ROI Align决定取消两次量化过程，让浮点数留下来。这样的话，高被分为8/3的三段，宽是3的3段。一共9个区域，每个区域的大小为(8/3,3)，如上上图的红线部分。
接下来，进行Max Pooling。此时发现9个区域中的每一个区域都有被“斩断”的像素，我们不知道它的值，因此无法找出哪个才是Max的。怎么办？
此时ROI Align中提出的方法是采用双线性插值来计算虚拟像素点的值，然后进行Max Pooling
如图所示，将9个区域里的每一个区域都等分成4份，并且取中心点值，该值由双线性插值方法获得。然后将这4个点进行Max Pooling，获得代表该区域的值。
2)基于FCN的Mask层
FCN即Fully Convolutional Networks，特点是输出FCN的数据和输入FCN的数据的shape是一致。它是Mask RCNN的核心，因为这个特性意味着一张图片在经过FCN之后能保留每一个像素的一对一映射。保留每一个像素的信息，这使得对图像轮廓的分割成为可能：
在网络结构上是这样的：
1)将常规CNN网络的最后3个全连接层换成了3个卷积层，这3个层的卷积核大小分别为(1,1,4096),(1,1,4096)和(1,1,21)。意味着每个ROI经过这3个层之后，数据变成了一个21维向量，或者说通道数为21的1*1矩阵。21维向量的每一个数值可以理解为21种类别中某一个的概率值。
2)将21个通道的数据通过反卷积转换为与原图shape一致的特征图，实现像素级的分类。
下图给出了每个ROI和全图的概率转换(种类为1000种)
上面使用了一个关键的技术：反卷积。下面附带理解一下——
附：反卷积
反卷积(Deconvolution)容易导致误会，其实它不是卷积的逆过程，不如叫它“转置卷积(Transposed Convolution)”更加合适。
卷积起到降维作用：
反卷积起到还原作用：
也可以使用padding进行反卷积：
这两个卷积核之间的关系可以通过代数推导：
将矩阵扁平化成为向量X,它通过卷积之后得到向量Y，则有：
实际上C是下面的稀疏矩阵：
矩阵进行逆运算：
也就是说
代表反卷积所用的卷积核。
以上。
参考
https://buptldy.github.io/2016/10/29/2016-10-29-deconv/
