MaskRCNN源码解析1：整体结构概述_maskrcnn代码解读

MaskRCNN源码解析1：整体结构概述

MaskRCNN源码解析2：特征图与anchors生成

MaskRCNN源码解析3：RPN、ProposalLayer、DetectionTargetLayer

MaskRCNN源码解析4-0：ROI Pooling 与 ROI Align理论

MaskRCNN源码解析4：头网络(Networks Heads)解析

MaskRCNN源码解析5：损失部分解析

 

 

目录

一， MaskRCNN概述：

二，代码整体解析：

1，从下到上层

2，从上到下层与横向连接

3，RPN

4，ProposalLayer

5，DetectionTargetLayer

6，头网络 Network Heads

7，计算各部分的损失

三，进一步解析：

A)，特征图与anchors生成

B)，RPN、ProposalLayer、DetectionTargetLayer

C)，头网络解析

D)，损失部分解析

一， MaskRCNN概述：

       Mask R-CNN是一个小巧、灵活的通用对象实例分割框架（object instance segmentation）。它不仅可对图像中的目标进行检测，还可以对每一个目标给出一个高质量的分割结果。它在Faster R-CNN[1]基础之上进行扩展，并行地在bounding box recognition分支上添加一个用于预测目标掩模（object mask）的新分支。该网络还很容易扩展到其他任务中，比如估计人的姿势，也就是关键点识别（person keypoint detection）。该框架在COCO的一些列挑战任务重都取得了最好的结果，包括实例分割（instance segmentation）、候选框目标检测（bounding-box object detection）和人关键点检测（person keypoint detection）。

参考文章：

Mask RCNN 学习笔记

MaskRCNN源码解读

令人拍案称奇的Mask RCNN

论文笔记：Mask R-CNN

Mask R-CNN个人理解

解析源码地址：

https://github.com/matterport/Mask_RCNN

二，代码整体解析：

解析的该代码粗略估计有5000-6000行，相对于python来说代码量还是很庞大的。好在该代码封装的很好，没有冗余的结构，整体逻辑非常清晰，只要有耐心，还是能看懂的。

下面这张图是MaskRCNN算法结构图：

 

下面这张图是我根据代码画出来的（class MaskRCNN()）代码逻辑结构图，有些地方确实不太好用简洁的方式表示，只把它当作大概的结构图看就行。

从上图可以看到，代码共分了7个部分，分别包括：

• 1，从下到上层
• 2，从上到下层与横向连接,
• 3，RPN
• 4，ProposalLayer
• 5，DetectionTargetLayer
• 6，头网络 Network Heads
• 7，计算各部分的损失

下面简要说一下各个部分分别完成了什么功能：

1，从下到上层

该层调用 BACKBONE = "resnet101"或者  BACKBONE = "resnet50"完成从原图到[C1, C2, C3, C4, C5] 5个特征图的操作。

该层的代码和逻辑关系如下图所示：

2，从上到下层与横向连接

基于从下到上得到的结果[C1, C2, C3, C4, C5]，采用从上到下与横向连接的方式得到后面用到的特征图。其中：

P6由P5经过MaxPool而来，

P5由C5通过（1,1）的卷积核卷积而来，

P4由P5上采样结果与C4通过（1,1）的卷积核卷积结果相加得到，P4再由P4通过（3,3）的卷积核得到(目的是消除上采样带来的混叠效应）

P3由P4上采样结果与C3通过（1,1）的卷积核卷积结果相加得到，P3再由P3通过（3,3）的卷积核得到(目的是消除上采样带来的混叠效应）

P2由P3上采样结果与C2通过（1,1）的卷积核卷积结果相加得到，P2再由P2通过（3,3）的卷积核得到(目的是消除上采样带来的混叠效应）

最后由[P2,P3,P4,P5,P6]组成rpn_feature_maps用于RPN网络中，由[P2,P3,P4,P5]组成mrcnn_feature_maps用于后续的操作。

代码中在自下而上层后，RPN网络前会生成anchors:

anchors = input_anchors  # 261888=256*256*3(P2)+128*128*3(P3)+64*64*3(P4)+32*32*3(P3)+16*16*3

3，RPN

该部分主要根据上面的到的特征图rpn_feature_maps=[P2,P3,P4,P5,P6]生成以下数据：

# rpn_class_logits：[batch_size，H * W * anchors_per_location，2] anchors分类器logits（在softmax之前）
# rpn_probs：[batch_size，H * W * anchors_per_location，2] anchors分类器概率。
# rpn_bbox：[batch_size，H * W * anchors_per_location，（dy，dx，log（dh），log（dw））]  anchors的坐标偏移量

4，ProposalLayer

该部分 将第3步RPN网路的输出应用到第2步得到的anchors，

# ProposalLayer的作用主要
# 1. 根据rpn网络，获取score靠前的前6000个anchor
# 2. 利用rpn_bbox对anchors进行修正
# 3. 舍弃掉修正后边框超过图片大小的anchor，由于我们的anchor的坐标的大小是归一化的，只要坐标不超过0 1区间即可
# 4. 利用非极大抑制的方法获得最后的2000个anchor

5，DetectionTargetLayer

该部分将第5步得到的结果进行再次筛选，得到最终用于训练的200个正负样本。

# DetectionTargetLayer的输入包含了：target_rois, input_gt_class_ids, gt_boxes, input_gt_masks。
# 其中target_rois是第5步ProposalLayer输出的结果。
# 首先，计算target_rois中的每一个rois和哪一个真实的框gt_boxes iou值，
# 如果最大的iou大于0.5，则被认为是正样本，负样本是iou小于0.5并且和crowd box相交不大的anchor，
# 选择出了正负样本，还要保证样本的均衡性，具体可以在配置文件中进行配置。
# 最后计算了正样本中的anchor和哪一个真实的框最接近，用真实的框和anchor计算出偏移值，
# 并且将mask的大小resize成28 * 28 的（我猜测利用的是双线性差值的方式，因为mask的值不是0就是1，0是背景，一是前景）
# 这些都是后面的分类和mask网络要用到的真实的值

6，头网络 Network Heads

该部分包括3个分支，分别是 分类、回归操作、mask操作。对应算法结构图的以下部分。

7，计算各部分的损失

# maskrcnn中总共有五个损失函数，分别是rpn网络的两个损失，分类的两个损失，以及mask分支的损失函数。
# 前四个损失函数与fasterrcnn的损失函数一样，最后的mask损失函数的采用的是mask分支对于每个RoI有K*m^2维度的输出。
# k个（类别数）分辨率为m * m的二值mask。 
# 因此作者利用了aper - pixelsigmoid，并且定义Lmask为平均二值交叉熵损失（the average binary cross - entropy loss）. 
# 对于一个属于第k个类别的RoI， Lmask仅仅考虑第k个mask（其他的掩模输入不会贡献到损失函数中）。
# 这样的定义会允许对每个类别都会生成掩模，并且不会存在类间竞争。

三，进一步解析：

下面会对各个部分的代码进行解析，不过拆成7个部分有点太碎了点，所以代码解析将按下面4块进行：

A)，特征图与anchors生成

• 1，从下到上层
• 2，从上到下层与横向连接,anchors生成

B)，RPN、ProposalLayer、DetectionTargetLayer

• 3，RPN
• 4，ProposalLayer
• 5，DetectionTargetLayer

C)，头网络解析

• 6，头网络 Network Heads

D)，损失部分解析

• 7，计算各部分的损失