Feature Pyramid Networks（FPN）
研究背景与摘要
Feature pyramids（特征金字塔）是传统多尺度目标识别系统的基本组成部分。但是最近的深度学习目标检测系统（R-CNN、Fast R-CNN 等），都避免了这种特征表示方式，部分原因是特征金字塔需要大量的计算和存储。
作者利用CNN固有的多尺度和金字塔层级结构，来构建特征金字塔表示。提出了一种具有横向连接的、自顶向下的结构（称为 FPN），用于在各种尺度上构建高级语义 feature maps。
- (a) 早期手工设计特征和传统目标检测方法多使用。在多尺度进行特征表示，所有的层级上的特征都具有明确的语义。但内存占用多，不能端到端训练。
- (b) CNN 即具有这种结构，CNN 相比人工设计特征，能够自己学习到更高级的语义特征，同时 CNN 对尺度变化鲁棒，因此如图，从单个尺度的输入计算的特征也能用来识别，但是遇到明显的多尺度目标检测时，还是需要金字塔结构来进一步提升准确率。 也可以(a)、(b)结合使用。
- (c) 从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。SSD 即利用了这种结构。作者认为SSD算法中没有用到足够低层的特征（在 SSD 中，最低层的特征是VGG网络的 conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。
- (d) 利用CNN固有的多尺度和金字塔层级结构，顶层 feature map 通过上采样与底层feature map结合，融合为新的 feature map，最终形成 feature pyramid（特征图金字塔）。每层独立预测。实现了从单尺度的单张输入图像，快速构建在所有尺度上都具有强语义信息的特征金字塔，同时无明显的额外代价。
注意，FPN 是 CNN 框架的一个可选部件或者说可选操作，即它很可能会改善基本框架的性能，但不需要对基本框架进行较大的改动。
FPN 的技术细节
包括一条自底向上的通路，一条自顶向下的通路，和横向连接。
通过自顶向下的路径和横向连接将低分辨率、语义强的 feature map 与高分辨率、语义弱、更本地化（下采样次数少）的 feature map 结合起来，其结果是一个在所有层级都具有丰富语义的 feature pyramid。
自底向上
自底向上通路是指 backbone ConvNet （如 ResNet）的前向计算过程，它计算得到一种由若干尺度上的 feature map 组成的特征层次（金字塔）结构，每向上一层尺度缩小为 1/2。将特征金字塔的每一层称为一个 stage。ConvNet 通常有许多层生成相同大小的输出映射，我们说这些层处于相同的阶段（stage），只取 stage 的最后一层输出的 feature map，作为 feature pyramid 的参考集合。
具体来说，对于 ResNets，我们使用每一个stage的最后一个 residual block 的激活后输出，作为 feature pyramid 的参考集合。我们conv2, conv3, conv4, and conv5 的输出分别表示为{C2, C3, C4, C5}。
note that they have strides of {4, 8, 16, 32} pixels with respect to the input image
自顶向下
自顶向下的路径是指，通过从更高的金字塔层次上，上采样空间上更粗糙但语义更强的 feature maps，从而产生更高分辨率的 feature maps。（为了简单起见，使用最近邻向上采样。）
横向连接
Pyramid 每一层的横向连接都将空间大小相同的（分别来自向上和向下通路的）feature maps 进行融合。
融合之后还会再采用 3×3 的卷积核，对每层的融合结果进行卷积，目的是消除上采样的混叠效应（aliasing effect）。
其中上行 feature map 会经过一个1x1卷积来减少 channel 维度（文中限制到 256d）。构造金字塔时没有引入额外的非线性。
融合后的 feature maps 称为 {P2, P3, P4, P5}
FPN + Faster R-CNN
本文将FPN简单地与 Faster R-CNN 结合，最小限度地修改了原网络，改善了原网络的性能。
Faster R-CNN = RPN + Fast R-CNN，因此下文中介绍FPN应用于Faster R-CNN种时，RPN 和 Fast R-CNN 部分分别需要做的改动。
FPN for RPN
在每一个scale层，都定义了不同大小的anchor，对于 {P2，P3，P4，P5，P6}，定义 anchor 的大小为 {}，比例为，1:2，1:1，2:1。所以整个特征金字塔有15种 anchors。
注：
- 越高分辨率的 feature maps，采集的 region proposals 尺寸越小，这也对应了作者所称的，底层 feature map 对于小目标的检测更有用。大尺度的RoI要从低分辨率的 feature map 上切，有利于检测大目标，小尺度的RoI要从高分辨率的 feature map 上切，有利于检测小目标。；
-
P6 仅仅是对 P5的max pooing下采样，是为了得到尺寸为
的 anchor，P6是只用在 RPN中用来得到region proposal的，并不会作为后续Fast RCNN的输入。这也是上图红色方块和黄色方块数目不一样的原因。
RPN 这部分的训练中，正负样本的界定和 Faster R-CNN 差不多：如果某个 region proposal 和一个给定的 ground truth 有最高的 IOU，或者和任一 ground truth 的IOU 都大于0.7，则是正样本。如果一个 anchor 和任意一个 ground truth的IOU都小于0.3，则为负样本。其他区间忽略。
FPN for Fast R-CNN
Fast R-CNN 通常是应用在单尺度feature map上。但为了与FPN结合，需要针对pyramid的不同层，设计 RoI Pooling Layer.
把feature pyramid看作是由一个图像金字塔产生的。不同尺度的RoI使用不同特征层作为ROI pooling层的输入，大尺度RoI就用相对高层的feature map，比如P5；小尺度RoI就用相对底层的feature map，比如P3。
因此，我们可以基于RoI对应的region proposal尺寸大小，判断使用哪一层对应的探测器。在形式上，我们将宽度为w，高度为h(在网络输入图像上)的RoI分配到feature pyramid的Pk级（k=2, 3, 4, 5）。
注意：
k0=4, 对应ImageNet标准的
大小，对应C4/P4。
所有的pyramid levels共享预测头（类分类器和回归框，即上图黄色部分）；feature pyramid所有的层级的RPN头（RPN中的3×3、1×1卷积）都共享参数。
结果
参考资料
Feature Pyramid Networks for Object Detection 总结
FPN（feature pyramid networks）算法讲解
Mask R-CNN
研究背景与摘要
目标检测、语义分割与实例分割
Mask R-CNN 在 Faster R-CNN 目标检测任务的基础上，进一步实现了实例分割的功能。
相比于原始 Faster R-CNN 论文中的结构（VGG），本文采用了 ResNet-C4、ResNet-FPN 结构提取 feature maps，并对比试验。（但这不属于Mask R-CNN 的特点）。
Mask R-CNN 的优点：
- 当时已有的实例分割方法中，多使用了不优雅的 trick ，本文只通过e2e的网络就完美完成任务；结合 Faster R-CNN 的 Mask RCNN 可以同时完成目标检测和实例分割，且实例分割效果优于当时已有方法；
- 易于实现和训练，基本与 Faster R-CNN 相同，只需针对 mask branch 作少许改动;
- 只比 Faster R-CNN 增加了一个很小的开销（检测速度 5 fps）;
- 可以很方便地推广到其他任务中，如估计人体姿态、人体关键点估计。
技术细节
Architecture
Mask R-CNN ≈ Mask branch + Fast R-CNN
Mask R-CNN 与 Faster R-CNN 结构上的区别，主要有两点：
- 将 RoIPool Layer 改为 RoIAlign Layer，用于实现输入与输出间，像素到像素的匹配；
- 在预测头处添加了一个Mask Branch，该分支与原有的 Bounding Box Recognition Branch 并行；
RoIAlign
尽管 Mask RCNN 是 Faster RCNN 的一种直觉上的拓展，似乎加上 Mask Branch 就万事大吉了。其实不然，要想得到好的结果，恰当地构造是至关重要的。
特别是分割任务中，需要做到输入与输出 pixel-to-pixel alignment；而在 Faster R-CNN 的设计中，没有考虑网络的输入和输出之间的像素与像素对应，尤其是 ROIPool 层。
ROIPool 层将空间粗略地划分，将原本连续的坐标离散化了。这导致了ROI和提取的特征在空间上不匹配。这可能对分类没有什么影响（分类对微小的变化鲁棒），但会严重影响 mask 的像素准确度。
为了修正这种像素不匹配，我们提出了一个简单的、无粗略量化的层，称为RoIAlign，它忠实地保留了精确的空间位置。在 mask 的精确性上，带来了10%-50%的收益。
上图中，虚线部分表示f eature map，实线表示ROI，这里将ROI切分成2x2的单元格。如果采样点数是4，那我们首先将每个单元格子均分成四个小方格（如红色线所示），每个小方格中心就是采样点。这些采样点的坐标通常是浮点数，所以需要根据feature map的网格点，对采样点像素进行双线性插值（如四个箭头所示），就可以得到该像素点的值了。然后对每个单元格内的四个采样点进行 maxpooling 或 avgpooling，就可以得到最终的 ROIAlign 的结果。
在相关实验中，作者发现将采样点设为4会获得最佳性能，甚至直接设为1在性能上也相差无几。
Mask Branch
Mask Branch 是一个小型 FCN，对于每个RoI，以 pixel-to-pixel 的方式预测输出出一个m×m×k的分割结果（但只取类别概率最高的一层作为最终输出mask）。
Loss & Decouple Mask and Class Prediction
具体来说，我们对每个ROI预测一个mxm的mask。
除了上文中提到的像素匹配问题，本文中实验发现，对 mask 和 class 的预测解耦是必要的：本文中，mask branch 根据 classification branch 输出的分类结果，针对每个class，独立地预测一个二元的mask，即类与类之间没有竞争。而普遍的应用 FCN 的分割网络，则是对每个像素利用 softmax 和多类别交叉熵损失。这样多各类别会互相竞争。
因此 Loss 定义为：
其中前两项与 Faster R-CNN 中相同。
：对于每个ROI，mask branch的输出维度是
，即对于 K 个类别，分别预测一个
分辨率的 mask 输出。因此，我们逐个像素应用 sigmoid，
定义为二类的交叉熵损失的平均值（average binary cross-entropy loss）。对于真实类别为
的RoI，
仅仅在第k类对应的 mask 上计算（其他的 mask 输出对 loss 没有贡献）。
如此定义 ，允许网络独立地对每个类别产生 mask（类别之间没有竞争）。本外另外使用专门的classification branch 来预测 class label，然后依据class label 选择输出的mask（即上文中的解耦）。实验证明，解耦是实例分割效果良好的关键。
Train
超参数与 FasterRCNN 相同。
每个图像调整短边至800像素。每个GPU的每个batch有2张图，每张图有N个RoI（N_C4=64， N_FPN=512），正负ROI比为1:3.
ROI 正负样本的定义与 Faster rcnn 相同，如果与Ground Truth 的IoU超过0.5认为是正样本，否则负样本。 和
只在正样本上计算。
可以采用阶段性训练，
Test
在测试过程中，proposal 数目为300 for C4, 1000 for FPN。
对这些 proposal 做 box prediction，然后进行非极大值抑制（有重叠部分的ROI，取class得分最大的作为输出），得到最终框的结果。
随后，mask branch 只对得分最高的100个检测框进行mask预测（而训练集上是所有的proposal并行计算损失的），这样可以提高效率，只增加较小的开销(约20%)。
mask branch针对每个RoI可以预测K个masks，对应K个类别。但我们只选用了第k个mask（即classification branch的预测结果）。
mask branch的输出将被resize（通过插值方式将输出的 mask 放大）成 proposal 的大小，然后以0.5为阈值二值化。
应用到人体关键点检测
将人体关键点的位置建模为一个单点的 mask，采用 Mask R-CNN预测 K 个 mask，每一个 mask 对应一个人体关键点（如左肩、右肘等）
相对于基本的mask rcnn，有微小的改动：
- 对于每一个 instance 的 K 个关键点，训练目标是一个 one-hot 的 m×m 的 mask，即每张 mask 只有一个 pixel 标记为前景;
- 在训练过程中，对于每一个 Ground Truth关键点，最小化
路的 softmax 输出的交叉熵损失，这样更有利于检测单点。
- key point 任务的预测头是常规 Mask R-CNN 预测头的变体，包括8个3×3、512d的卷积层，然后逐渐2倍上采样，产生56x56的输出（实验发现一个相对高分辨率的输出，对关键点检测的准确性更有用）。
结果
实例分割
人体关键点检测
