CVPR2019 | Mask Scoring R-CNN 论文解读

Mask Scoring R-CNN

CVPR2019 | Mask Scoring R-CNN 论文解读

作者 | 文永亮

研究方向 | 目标检测、GAN

推荐理由：

本文解读的是一篇发表于CVPR2019的paper，来自华科和地平线，文章提出了Mask Scoring R-CNN的框架是对Mask R-CNN的改进，简单地来说就是给Mask R-CNN添加一个新的分支来给mask打分从而预测出更准确的分数。

源码地址：https://github.com/zjhuang22/maskscoring_rcnn

研究动机：

Mask R-CNN其实是何恺明大神在Faster R-CNN系列的延伸，Mask R-CNN和Faster R-CNN都是 two stages的，第一阶段是RPN（Region Proposal Network），产生一些候选的目标边界框，使用RoIAlign为每一个候选区域提取特征，生成分类、bbox回归还有mask的预测，其实就是在Faster R-CNN的基础上添加一个新的分支预测mask。

但是Mask R-CNN存在着一个问题，就是在实例分割的任务中，蒙版分割质量是由检测分支的分类置信度决定。然而，mask的质量（我们这里用instance mask和ground truth之间的IoU做评判）通常与分类置信度没有太强的关联。

相信大家都知道IoU是目标窗口和原来标记窗口的交叠率，如果Mask R-CNN的分类置信度能够决定分割蒙版的质量的话，也就是说其质量与分类分数呈现相关性，但是从图二（a）中可以看出，当分类分数高于0.5时（横坐标），甚至到达1时，MaskIoU参差不齐，可以说从0.5到1的质量分数都有，从而证实了Mask R-CNN的MaskIoU与分类置信度没有太强的关联。所以作者提出的Mask Scoring R-CNN，MS R-CNN中提出的框架其实很简单，就是在原有的Mask R-CNN框架的基础上添加一个额外的分支MaskIoU head模块，这个模块用来学习MaskIoU。这个框架得到的分数如图二（b）（c）的所示，可以明显看出分类分数高的同时蒙版质量也得到了提升。

Mask Scoring R-CNN：

·Mask Scoring：

既然我们发现了Mask R-CNN的问题，那么我们现在就来解决它，首先我们考虑蒙版的分数由什么决定？

从上面的动机中我们得知，MaskIoU可以来评价蒙版的质量，因为理想的mask应该是与Ground Truth完全重合的，所以我们必须考虑MaskIoU。除此之外，一个理想的评价mask的分数，除了与GT的重合率之外，这个实例分割只属于一个类，对于其他类的分数都为0。所以学习mask的分数就分解成两个任务，就是把mask分类到正确的类中以及把建议框的MaskIoU回归到目标前景中。

有如上公式，专注于对建议框进行分类，聚焦于回归MaskIoU。

·MaskIoU head：

整个MS R-CNN的改进就在于这个MaskIoU Head，MaskIoU Head模块的输入由两部分组成，一是ROIAlign得到的RoI feature map，二是Mask Head分支输出的mask。Mask经过MaxPooling之后与RoI feature map进行concat，然后经过3层卷积和2层全连接层，输出的就是MaskIoU。以下是其完整的架构，如图三：

·Training：

怎么训练MaskIoU Head？只把mask分支输出的mask与GT计算IoU作为target是不够的，因为mask分支输出的mask有好有坏，所以文章中做了阈值处理，使用RPN生成的proposals与GT的IoU大于0.5的mask称为binary mask，这个binary mask与GT的MaskIoU就作为MaskIoU的target。

·Inference：

RCNN Head输出的top-k（例如top100）分数的框，经过SoftNMS后，送入Mask Head，得到mask与ROI feature map进行concat送入MaskIoU Head得到MaskIOU，然后与分类结果得到的分数相乘得到mask score。

实验结果：

实验结果这里有很多种不同的AP，表示在不同scales时的AP，意思是使用了不同IoU阈值。作者用的数据集是COCO 2017val集。

Table 1表明了作者提出的Mask Scoring R-CNN对不同的backbone网络并不敏感，相比Mask R-CNN基本上AP有1点左右的提升。

Table 2表明无论是否使用FPN和DCN，MaskIoU head都在AP上有提升。

Table 3是跟目前的实例分割方法在COCO 2017 test-dev上做对比。

这是MS R-CNN和Mask R-CNN对比效果，评分得到了修正。

MaskIoU head的各种选择：

文章做了下面4种输入组合：

1.target mask和ROI feature concat

2.target mask和ROI feature 相乘

3.所有mask和ROI feature concat

4.target mask和高分辨率的ROI feature concat

　　还有一个问题就是，我们知道RoI内可能有很多种目标类别，我们应该让MaskIoU学习所有的类别，还是学习RoI内的所有出现的类别，抑或是选取RoI内分类得分高的类呢？

　　由此分成了三种情况：

1. 只让MaskIoU学习target类别，target类别其实就是分类得到的top-k类别，其他类别的就直接忽略掉。
2. 让MaskIoU学习所有类别。
3. 让MaskIoU学习所有出现在RoI中的类别，其他没出现的类别忽略。

   

　　发现第二种情况学习所有类别的情况是最差的，甚至比原来Mask R-CNN的效果还差。而第三种学习所有正类的情况比学习target类别差的原因是学习所有正类会增加MaskIoU head的负担，所以文章选择了学习target类别的情况一。

点评：

作者认为分类置信度不能单纯的作为mask的得分，所以很简单的想法就是另外创建了一个MaskIoU分支学习MaskIoU，最后与分类分数相乘的到Mask Score。感觉与IoU-Net类似。但是这样就导致mask与检测分支相关，使mask受限于box。