《Mask R-CNN》论文学习

Kaiming He大神RCNN系列又一力作。（Kaiming He、Ross Girshick 如今都在Facebook AI Research（FAIR），R-CNN系列归于一家）~

论文：https://arxiv.org/pdf/1703.06870.pdf

之前的R-CNN系列，主要用来做Object Recognition，但在本文中，Mask R-CNN用来做Instance segmentation（实例分割）。

Mask R-CNN是在Faster R-CNN扩展，在其已有的用于边界框识别的分支上添加了一个并行的用于预测目标掩码（Mask）的分支。

在R-CNN使用Mask（掩码）来进行分割任务，并不是本文首创，在Facebook之前发布的分割框架中已经能够找到类似思想。

Facebook的物体分割框架介绍：

http://blog.csdn.net/u011718701/article/details/53787229**

用于实例识别的 Mask R-CNN 框架

本文相较之前R-CNN系列论文，亮点主要在于使用了平行的结构（这也是与之前Facebook的方法最大的区别），结合了Faster R-CNN与Mask Branch，同时文中指出， 损失函数的选择很重要。大体实现方法与Facebook之前提出的分割方法类似，可参考上面链接。