- Instace-sensitive Fully Convolutional Networks.ECCV 2016【2016.3月上传到arxiv】
- R-FCN:Object Detection via Region-based Fully Convolutional Networks.NIPS 2016【2016.7月上传到arxiv】
- Fully Convolutional Instance-aware Semantic Segmentation.xxxx 2017【2016年11月上传到arxiv，MSCOCO2016的第一名】
一、InstaceFCN【Instace-sensitive Fully Convolutional Networks.ECCV 2016】
先来说这篇工作是针对什么问题：FCN网络只能产生semantic segmentation的结果，也就是说同样的物体类别，它不会区分物体实例【可以理解为两个人挨在一起的话，FCN输出的mask标记的都是people，但是instance-aware要求区分出来这两个人各自。我认为instance semantic segmentation =semantic segmentation + object detection】之前的instance semantic segmentation方法通常诉诸于现成的分割proposal方法，本文打算一次性解决。
FCN为每一个物体类生成一个score map，map上每个pixel代表一个分类器（是不是这类物体），本文的方法为每一个物体类生成一系列instance-sensitive的score maps，map上每个pixel代表一个分类器（是不是在此类的一个物体实例的某个相对位置上）
1.网络结构
首先来看网络结构：
Image用VGG16的结构得到conv feature map，这里做了改动，把pool4的stride改为1，conv5的三个卷积层的filter都用dilated的，所以一个W*H大小的image会得到W/8*H/8大小的conv feature map。接着这个conv feature map走了两个并行的分支：一个分支负责估计segment instance，另一个分支负责对这个instance进行打分。
分支1：先经过1*1*512的卷积层生成W/8*H/8*512的输出【降维】，然后经过3*3*（k*k）的卷积层生成一系列Instance-sensitive score maps，也就是说一共有k*k个大小为W/8*H/8的score map喔~然后经过assembling模块，产生score map上m*m大小的sliding window内的object instance。
分支2：先经过3*3*512的卷积层生成W/8*H/8*512的输出，然后经过1*1*（k*k）的卷积层输出objectness score map，map上的每一个分数是以这个像素为中心的sliding window是否有一个实例。【这个objectness score map的大小是多少啊？？？】
- Instance-sensitive score maps
- Instance assembling module
2.有一些疑问
Instance-sensitive score maps的大小是W/8*H/8的，网络是按照每个m*m大小的sliding window来生成它的segment instance和instance score的，那么整个score map以及整个image【W*H啊啊啊】范围内的segmentation结果是怎么得到的呢？？？？
我想一个合理的解释可能是：
这里的输入sliding window并不是由proposal method产生的，而是论文作者指定的：
1 假设k*k个instance score maps大小为W/8*H/8（同样的，scoring分支的objectness score map的大小也是W/8*H/8）
2 instance score maps上的每个pixel都产生一个以它为中心的sliding window，其大小为m*m（论文里m=21）
3 每个pixel，假设是（i,j）坐标位置的，根据它的sliding window（已经是投影在feature map上的sliding window了，这个需要注意，而不是从原图的sliding window投影到feature map上的），输出其instance-level的mask。
4 那么在objectness score map上对应的（i,j）位置的值，就是这个pixel的instance-level mask的objectness score【由此可以看出这个score不是class-specific的，它只是指出是否是物体】。
5 一共有W/8*H/8个mask和对应的object score，最后通过非极大值抑制方法留下那些合理的
但是楼主还有一个问题没有解决，最后得到的是在W/8*H/8个mask尺度上的mask，本篇paper也没说怎么变成整张image的mask呀，难道像DeepMask一样就用一个简单的双线性内插上采样？？
--------------------------------------------------------我是分割线喵~------------------------------------------------------------
二、R-FCN【R-FCN:Object Detection via Region-based Fully Convolutional Networks.NIPS 2016】
先来说这篇工作是针对什么问题：首先，目前基于region proposal的物体检测框架存在一个问题就是会有subnetwork的重复计算，什么意思呢？我们回忆一下Faster RCNN，整张image计算conv feature map，然后通过ROI pooling把每一个region proposal变成一个大小固定的feature map，再经过若干次fc层得到结果，此时subnetwork指的就是这些分成层。假设一张image有N个region proposal，那么subnetwork的计算也会有N次，本文的想法就是丢掉这些fc层，使得所有的计算都可以由region proposal共享【博主一度不是特别理解这个共享的意义，但是最近突然开窍了，说一下我的看法。先说有fc层的情况下不能共享是因为，每个region proposal都得自己计算，但是卷积就不一样了：一张image只需要计算一次卷积流程得到一个conv map，然后对应不同region proposal，只需要“找到”它对应的conv map的位置就好了呀，没有多余的计算】。
对于上面的问题，一些解决方案是在两个卷积层集之间加一个ROI pooling层，前面的卷积共享，后面的不共享。本文认为这种做法是为了消除一对矛盾：分类时希望对位置不敏感【卷积就是不敏感的】，检测时又希望是translation-variant的【ROI pooling的作用就在此。顺便说一句fc层也是为了达到这个效果】。但是这样做呢，也牺牲了训练和测试的效率，因为引入了很多region-wise层。
所以为了解决这个问题，本文最大的亮点来了：position-sensitive score maps和position-sensitive RoI pooling
1.网络结构
首先来看网络结构：
Image先经过FCN生成conv feature map【本文选择的是ResNet-101，去掉最后的fc和average pooling层，然后接一个1*1的1024维的卷积降维，所以conv feature map的大小是W/8*H/8*1024】，这个feature map兵分两路：
（1）经过3*3和1*1卷积层生成ROI【也就是Faster R-CNNhttp://blog.csdn.net/u011718701/article/details/53758927里的RPN网络啦~】
（2）经过一系列特殊的卷积层生成position-sensitive score map集合，一共有k*k个score map，每个score map都是C+1维的（C是物体类别，1代表背景类），代表着一个相对位置上的score结果（比如物体的左上方啊，右方啊之类的）。然后结合RPN生成的ROI经过position-sensitive的ROI pooling层，生成这个ROI的检测结果。所谓position-sensitive pooling就是说，pooling只在某个位置的（C+1）维的score map中进行，然后放在对应的位置上。【对照结构图来看就是，橘色的score map内部进行pooling，跟其他颜色的没有关系】，还有更数学性的解释：
把每个w*h大小的ROI分成k*k个bin，每个bin的大小是w/k*h/k*(C+1)的，在第(i,j)个bin里，定义一个只在这个bin里进行的position-sensitive RoI pooling操作，本文用的是average pooling啦~即第(i,j)个bin的输出值是这个bin里所有位置score map的均值。对照图，每个颜色代表一个(i,j)bin，这样下来我们就得到了k*k个按照位置排列的通道数为C+1的score map啦~然后这k*k个scores就要来投票啦，本文的投票方式就是取均值，得到C+1维的向量，然后softmax处理一下，那么得到的就是这个ROI是各类别的概率了~
2.Bounding box regression
bbox回归又是物体检测框架下一个必不可少的环节，我们来看本文的处理方式：
前面部分和主网络都一样，从那个conv feature map开始。和k*k*(C+1)维的score maps并行，接上一个k*k*4维的卷积层，也就是说得到的maps一共是k*k个，每个map是4维的【因为是bbox嘛，中心坐标和长度宽度，所以是4】。然后每个w*h大小的ROI接position-sensitive RoI pooling层，那么每个RoI就得到了4*k*k的向量呀。再通过取均值的投票方式，得到4维的向量了，也就是bbox regression的结果~
3.一些细节
ResNet-101一共有5个conv block，原来的网络，一张W*H的image会输出W/32*H/32的conv feature map，现在本文做了改动，把conv5层第一个层的stride变成1，所有conv5层的卷积都用dilated，这样conv feature map的大小就变成了W/16*H/16。
还有就是，RPN网络生成的RoI的尺寸可是在原image上的，所以它需要投影到大小为W/16*H/16的score maps上，bbox regression的结果是基于尺寸W/16*H/16的，所以它需要反投影到原image上。【大家不要被它的网络结构图蒙蔽了.....feature map、score map的大小它画的跟原image一样，这太过分了。。。根本就不一样啊。。。】
------------------------------------------------------------我是分割线喵~--------------------------------------------------------------------------
三、FCIS【Fully Convolutional Instance-aware Semantic Segmentation.xxxx 2017】
据作者说，这是第一篇fully sonvolutional end-to-end的解决方案来完成instance-aware segmentation任务的，也是MSCOCO2016数据集上的第一名~
是基于InstaceFCN【Instace-sensitive Fully Convolutional Networks.ECCV 2016】这篇的工作。作者指出InstanceFCN只是用来产生mask proposal，不能区分semantic类别，而且需要一个downstream网络进行分类，也就是说它的mask proposal和classification两个子任务是分离的，因此不是end-to-end的方法。还有就是它操作的是正方的、固定大小的sliding window，所以找不同尺寸物体的时候要用image pyramid scanning，非常耗时。本文在InstanceFCN的基础上做改进，一方面用box proposal代替sliding window，另一方面把mask proposal和classification网络融合起来~
1.网络结构
首先来看网络结构：
重点关注两个改进：
- position-sensitive inside/outside score maps
- joint mask prediction and classification
2.Bounding box regression
但凡是自己产生RoI的，bbox回归又是必不可少的：
前面部分和主网络都一样，从那个conv feature map开始。和2*k*k*(C+1)维的score maps并行，接上一个1*1*4*(k*k)的卷积层，输出维度是4*(k*k)。然后每个w*h大小的RoI接position-sensitive RoI pooling层，那么每个RoI就得到了4*k*k的向量呀。再通过取均值的投票方式，得到4维的向量了，也就是这个RoI进行bbox regression的结果~
3.Inference and Training
Inference：对一张image，先从RPN生成的RoI里面选出分数最高的300个，它们经过bbox regression分支，产生另外300个RoI，所以一共是600个RoI。对每一个RoI，得到它在各个类别的classification score和前景mask。用IoU阈值为0.3的非极大值抑制过滤掉高度重叠的RoIs，剩下的RoI就被分类为有最高classification score的类别呗~它们的前景mask通过mask voting的方式来获取：比如对某个RoI，我们从600个RoI中找到与它的IoU大于0.5的那些，每一个RoI在这个RoI类别的mask进行逐像素加权平均，权值是各自RoI在该类的classification score。平均后的mask再二值化作为输出。【二值化的阈值怎么确定的咯？cross-validation?】
Training：先说RoI的正负标签怎么确定，如果一个RoI与离它最近的ground-truth的IoU大于0.5就是正的【也就是说是物体】，否则就是负的。每个RoI有三个loss项目：softmax classification loss over C+1个类别；softmax segmentation loss overground-truth类别的前景mask；bbox regression loss。后面两个loss仅仅针对标签为正的RoI计算诶。训练图像最短边规定为600像素。
2.Bounding box regression
bbox回归又是物体检测框架下一个必不可少的环节，我们来看本文的处理方式：
前面部分和主网络都一样，从那个conv feature map开始。和k*k*(C+1)维的score maps并行，接上一个k*k*4维的卷积层，也就是说得到的maps一共是k*k个，每个map是4维的【因为是bbox嘛，中心坐标和长度宽度，所以是4】。然后每个w*h大小的ROI接position-sensitive RoI pooling层，那么每个RoI就得到了4*k*k的向量呀。再通过取均值的投票方式，得到4维的向量了，也就是bbox regression的结果