9:40-11:35
這是一篇2015年的文章， 是較早的一篇關於圖像的像素分割的論文，但如果分割出來的像素做候選區域會不會大材小用了？因爲需要像素級別的標註來監督學習，相比標註ground true box 的難度係數大很多。如果用它來做box proposal的話，對於像素分割的要求則不是太高了，因爲網絡最後都會對 proposal boxes 做迴歸的。
網絡架構圖如下：
網絡架構：
和通常的detection任務一樣，該architection是基於VGG的，輸入爲：3x244x244(按論文中記法),將VGG-A的最後一層 pooling去掉，輸出爲512x14x14，後接兩個branch：
1、segmentation branch：接conv層降採樣到 512x1x1,全連接到56x56的圖像上，採用閾值>0.x（根據數據集）爲1，bilinear upsamping到原圖像尺寸， 實現 mask功能。
它不像deconv的功能，是h×w pixel classifiers功能，相當於一個多分類問題，判斷一個像素是否屬於該物體。use either locally or fully connected pixel classifiers，一個只能獲取局部信息，一個有大量冗餘的參數，其實是1x1的conv layer。the output of the classification layer to be h’×w’ with h’ < h and w’ < w and upsample the output to h × w to match the input dimensions。也就是bilinear upsamping。
2、scoring branch:max_pool_2x2下采樣，接兩層fc(全連接),最後輸出一個實值。（output is a single ‘objectness’ score）
文中的loss function 中的lambda=1/32，並沒有做進一步的討論，這個參數對像素的整體loss是敏感的。當socre=反例時，segmentation loss=0;
During full image inference, we apply the model densely at multiple locations and scales.(推理階段，對每個位置運行一次模型 224/16=14（次）。產生多種scale，translate shift的mask box)。這樣的缺點就是不是 single shot的，time-consuming。