【深度學習】目標檢測網絡結構MASK RCNN FPN

其相對於FASTER RCNN改進如下：

1. 分割，檢測，分類同時進行

2. 引入ROI ALIGN（對分類影響不大，對分割影響大，因爲ROI POOLING對應回圖像中的像素會有偏差，該方法會相對準確）代替faster rcnn中的ROI POOLING

ROI ALIGN: https://www.cnblogs.com/wangyong/p/8523814.html

對於檢測圖片中大目標物體時，兩種方案的差別不大，而如果是圖片中有較多小目標物體需要檢測，則優先選擇RoiAlign，更精準些

3. 引入語義分割分支，實現mask和class預測關係的解耦。mask分支只做語義分割，類型預測的任務交給另一個分支（與FCN不同：FCN分類與分割同時，預測分割的時候也預測分類，不同的channel是不同的類別的分割概率）

 

 

FPN通過結合bottom-up，top-down方法獲得較強的語義特徵，提高目標檢測和實例分割在多個數據集上面的性能表現。

FPN可以應用到前邊的網絡結構（fast, faster, mask rcnn）中

FPN: https://blog.csdn.net/WZZ18191171661/article/details/79494534

MAP: https://www.cnblogs.com/klitech/p/9242700.html