深度学习之检测模型-Mask RCNN

We present a conceptually simple, flexible, and general framework for object instance segmentation. Our approach efficiently detects objects in an image while simultaneously generating a high-quality segmentation mask for each instance.
The method, called Mask R-CNN, extends Faster R-CNN by adding a branch for predicting an object mask in parallel with the existing branch for bounding box recognition.

思想

• 基于Faster RCNN框架，在最后同分类和回归层，增加了实例分割任务【a small FCN applied to each RoI】
• 将Faster RCNN中的RoI Pooling替换成RoI Align操作
• 最终的特征层，采用FPN(Feature Pyramid Network)进行特征提取
• 采用ResNet101作为基础网络
• RPN中的anchor采用5 scales和3 aspect ratios

注：

• 实例分割
  
  • Mask RCNN在FasterRCNN最后扩展了分类和回归任务，增加了一个针对每一个RoI区域的分割任务。该任务是一个简单的FCN网络。
• RoIAlign操作
  
  • 因为RoIPool操作，太过于粗暴，导致特征层与原始图像上的对应关系误差太大【这是Fast/Faster R-CNN的主要问题】，所以提出了RoIAlign操作，可以保留空间位置的精度【preserves exact spatial locations】
  • 该操作，非常只是修改了一点点，但是作用非常大，能够提高大概10%～50%的分割精度
• 解耦合
  
  • 将分割任务和分类任务解耦合
    
    • RoI classification分支进行分类预测
    • FCN进行像素级别的多类别分类预测【分割】，其包括分割和分类两方面任务。
      
      • 最终FCN输出一个K层的mask，每一层为一类，Log输出，用0.5作为阈值进行二值化，产生背景和前景的分割Mask
• 灵活性
  
  • 框架经过非常小的改动后，可以进行human pose estimation
  • 将人体的每一个keypoint作为一个类别进行训练和检测
• 时间
  
  • 该算法因为在Faster RCNN上增加一个非常小的任务，计算量增加的非常小，从而可以达到5fps的速度

Mask R-CNN

Faster R-CNN has two outputs for each caniateobject, a class label and a bounding-box offset; to this we add a third branch that outputs the object mask.
Mask R-CNN is thus a natural and intuitive idea. But the additional mask output is distinct from the class and box outputs, requiring extraction of much finer spatial layout of an object.

RoI Loss:

L=Lcls+Lbox+Lmask

其中：

• Lcls为分类损失
• Lbox为bounding-box回归损失，同Fast R-CNN
• Lmask为实例分割损失
  
  • 输出大小为：K∗m2，其中K为类别数量，m表示RoI Align特征图的大小
  • 对每一个像素应用sigmoid，然后取RoI上所有像素的交叉熵的平均值作为Lmask
  • 反向传播：Loss只对ground-truth那一层进行计算和反响传播。该操作有效避免了类别竞争，也使得分割和分类解耦合【作者实验也证明了这种解耦合有一定的作用[参考Table 2b]，之前的分割任务如FCN，最终都是针对每一个像素点进行softmax输出，然后计算交叉熵Loss】
  • 只对ground-truth k层上的m×m个像素计算所有点的交叉熵，并求平均
    
    • For an Roi associated with ground-truth class k, Lmask is only defined on the k-th mask(other mask outputs do not contributed to the loss)

Mask Representation

• 不同于其他的RoI特征提取，最后将RoI提取成一个固定长度的特征向量vector，Mask R-CNN最终将RoI区域预测称一个m×m的mask
  
  • 如SPPNet最终输出的是一个固定长度的特征向量，丢失了空间信息
  • 该操作有效的保留了空间信息，但是需要更加精确的像素对齐操作

RoIAlign操作

• 为了满足Mask Representation的精度要求，提出了RoIAlign操作
• 标准的RoIPool操作，能够将RoI提取成一个小的特征层【7x7】
  
  • 将floating-number的RoI量化，离散化成小网格，然后进行max pooling操作，生成一个固定大小的特征图
  • 在离散化过程中，连续的坐标x被对应在特征层上的位置为[x16]【取整】
  • 这种操作，使得RoI【proposal】对应特征图像上的位置发生了偏移，导致误差
  • While this may not impact classification, which is robust to small translations, it has a large negative effect on predicting pixel-accurate masks.
• RoIAlign操作
  
  • 将feature层与input层精确对齐
  • 使用x16代替[x16]
  • 使用双线性插值计算input对应RoI bin上的四个坐标值
  • 该操作对网络的能力提升非常大【参考Table 2c】

Network Architecture

• 共享基础网络【特征提取】
• 之后对每一个RoI进行多任务预测
  
  • bounding-box recognition(cls & reg)
  • mask prediction
• 基础网络
  
  • ResNet
  • ResNeXt
  • FPN(Feature Pyramid Network)
    
    • FPN uses a top-down architecture with lateral connections to build an in-network feature pyramid from a single-scale input
  • 采用ResNet+FPN作为基础网络，最终的效果最好

Implementation Detail

• 训练
  
  • 样本生成：
    
    • 正样本：RoI（IoU>0.5）
    • 负样本：其他
  • Mask Loss
    
    • 只计算postive roi上的loss
    • mask的真值ground-truth：为RoI和ground-truth的交集
  • 参数
    
    • mini-batch为2
    • 每张图像产生N个RoI区域，其中正负样本的比例为1:3
      
      • N=64 for C4
      • N=256 for FPN
      • 学习率：0.02/120k –> 0.002
      • 迭代次数：160k
      • momentum：0.9
      • decay：0.0001
  • RPN参数：
    
    • 5 scales
    • 3 aspect ratios
• 测试
  
  • proposal
    
    • 300 for C4
    • 1000 for FPN
    • 在这些候选区域上进行box reg，然后进行nms操作
    • mask只运行在最高的100个检测框中，输出K masks【只用第k-th mask】
      
      • 这点和训练不同，但是可以有效提高运行效率
  • 将m×x的mask output缩放到RoI大小，并进行二值化【0.5阈值】

实验

实验一

Instance Segmentation

说明：

• Mask RCNN效果明显
• ResNeXt-101-FPN网络的表达能力最好

实验二

关键改进分析

说明：

• Backbone Architecture
  
  • 网络越深，效果越好
• Multinomial vs. Independent Masks
  
  • 分割任务与分类任务解耦合后，效果更好
• class-Specific vs. Class-Agnostic Masks:
  
  • 输出K个m×m个分割mask和输出1个m×m个分割mask【不区分类别信息】进行对比，发现区别类别分割后，效果更好
  • AP从29.7升到了30.3
• RoIAlign
  
  • 通过上述的图c，d可以看出，该操作能提高大概3points
  • RoiWarp采用双线性插值，但是没有对input和feature层坐标进行对齐，从而效果比RoIAlign差很多
• Mask Branch
  
  • 进行分割的时候，FCN要好于MLP

实验三

目标检测Bounding Box Detection

说明：

• RoIAlgin作用：
  
  • 单独使用Faster R-CNN和RoIAlign操作，检测效果提升了%1mAP
  • 说明RoIAlign对目标检测效果又一定的帮助
• 多任务：
  
  • 分割能使Faster RCNN检测提升1-2%mAP
• 基础网络：
  
  • ResNeXt网络使得Faster RCNN检测提升了1%mAP

实验四

时间测试

说明：

• 测试
  
  • ResNet-101-FPN共享RPN和Mask R-CNN stages特征，运行时间大概在195ms【Nvidia Tesla M40 GPU】+ 15ms【resizing the outputs to the original resolution】
  • 因为ResNet101-C4基础网络大概需要～400ms，因此作者部推荐使用该网络
• 训练
  
  • ResNet-50-FPN: COCO trainval35k–> 32h
  • ResNet-101-FPN: COCO trainval35k–>44h

Mask R-CNN for Human Pose Estimation

Mask R-CNN框架经过简单的修改就可以进行Human Pose Estimation

• 类别数量：Human Pose中的keypoints个数
• 将m×m分割mask的label／target变成one-hot形式
  
  • target：只有一个pixel标记为前景
  • 对m×m个输出计算交叉熵，作为loss【这样可以激励网络学习只检测单个点】
  • 输出仍然是K个m×m个mask
• 采用ResNet-FPN作为基础网络，
  
  • 然后通过一系列的3x3 512-d的卷积进行特征融合，
  • 之后，通过解卷积deconv进行上采样到56x56【原始的是28x28】
    
    • 像素越高，效果越好
• 训练
  
  • 数据集：COCO trainval35k
  • randomly scales from [640, 800]
    
    • 测试的时候，固定为800
  • 迭代次数：90K
  • 学习率：0.02/60k–>0.002/8k–>0.0002
  • NMS：0.5

效果

说明：

• 相比较其他方法，该方法简单有效，速度快5fps
  
  • More importantly, we have a unified model that can simultaneously predict boxes, segments, and keypoints while running at 5fps.
• 多任务效果更好
  
  • Adding a segment branch(for the person category) improves the APkp to 63.1。

说明：

• 多任务效果好
  
  • Adding the mask branch to the box-only(i.e. Faster R-CNN) or keypoint-only versions consistently improves these tasks。
  • 但是增加keypoint-only稍微影响了AP【仅限该实验，不能推广到其他任务】

说明：

• 对于Human Pose Estimation任务，RoIAlign依然其到很大的作用

Experiments on Cityscapes

说明：

• 推广能力很强

参考文献

https://arxiv.org/abs/1703.06870