Mask_RCNN是何凯明基于以往的faster-rcnn构架提出的新的卷积网络，该方法再有效的目标的同时完成了高质量的语义分割。主要思路就是把原有的faster-rcnn进行扩展，添加一个分支使用现有的检测对目标进行并行预测，可以很方便的应用其他的应用领域，向目标检测，分割和人物关键点检测等。其网络结构如下。
Mask-RCNN是在faster-RCNN的基础上添加了一个预测分割mask分支，将ROIPooling替换成了ROIAlign层添加了并列的FCN层（mask层）。
为什么替换ROIPooling层？
因为ROIPooling操作中两次量化回造成区域不匹配。比如，在在faster-rcnn框架中，输入一张800×800的图片，图片上有一个665×665的包围框，图片经过主干网络提取特征后，特征图缩放步长为32，因此，图像和包围框的边长都是输入时的1/32，800正好被32整除，但是665除以32以后为20.78，于是ROIPooling直接将它量化成20，接下来需要把框内的特征池化为7×7的大小，因此将上述包围框平均分成7×7个矩形，显然每个矩形的边长为2.86，于是ROIPooling再次将它量化到2，候选区域已经出现了明显的偏差，更终要的是，该特征图上0.1像素的偏差缩放到原图就是3.2个像素，那么0.8的偏差，在原图上就是接近30个像素的差别。
在此之前先引入线性插值。
线性插值
已知数据 
与 
，要计算 
区间内某一位置 
在直线上的 
值，如下图所示。
计算方法很简单，通过斜率相等就可以构建y和x之间的关系，如下：
仔细看就是用 和 
， 
的距离作为一个权重（除以 
是归一化的作用），用于 
和 
的加权。这个思想很重要，因为知道了这个思想，理解双线性插值就非常简单了。
双线性插值。
双线性插值本质上就是在两个方向上做线性插值。
如图，假设我们想得到P点的插值，我们可以先在x方向上，对 
和 
之间做线性插值得到 
， 
同理可得。然后在y方向上对 和 进行线性插值就可以得到最终的P。其实知道这个就已经理解了双线性插值的意思了，如果用公式表达则如下（注意 
前面的系数看成权重就很好理解了）。
首先在 x 方向进行线性插值，得到
然后在 y 方向进行线性插值，得到
这样就得到所要的结果 
所以ROIAlign中去掉了ROIPooling过程中所有的量化过程，包括从原图proposal到最后一层feature map映射，以及把feature map划分成m×m的bin过程的量化。
为了得到固定大小的feature map，ROIAlign技术并没有使用量化操作，既不引入量化误差。这里使用双线性插值来解决，利用双线性插值来估计这些蓝色点的像素值，然后在每一个网格内进行max pooling或average pooling操作，得到2×2的输出结果。整个过程中没有用到量化操作，没有引入误差，即原图中的像素和feature map中的像素是完全对齐的，没有偏差。
什么是mask分支
mask分支本质上是一个FCN网络，FCN采用反卷积层对最后一个卷积层得到的特征图进行上采样，对于每一个ROI，mask分支定义一个k×m×m的矩阵，表示k个不同的分类对于每一个m×m的区域，对于每一个类都有一个，对于每一个像素都使用sigmoid函数进行求相对熵，得到平局相对熵误差Lmask，对于每一个ROI如果检测得到的ROI属于哪一个类，就只使用哪一个分支的相对熵作为误差值进行计算，这样的定义使得我们的网络不需要去区分每一个像素属于哪一个类，只需要去区分在这个类当中的不同分别小类。这里要注意，在完成目标检测后用回归后哦的box取feature map上截取后，在经过ROIAlign后在进行mask。
