论文阅读：Instance-aware Semantic Segmentation via Multi-task Network Cascades

论文框架：

作者提出一种基于多任务的网络串联方法（Multi-task Network Cascade），解决问题实例分割（Instance-aware Semantic Segmentation）。该模型分成三个子网络，differentiate instance，estimate mask，category object。分别针对三个问题，获取region-level的检测框，得到pixel-level的mask，对每个mask获得category-level的label。

流程图如下：

其中conv feature map使用VGG-16获得。
并且，该模型不同于一般的多任务网络，他的后一任务的loss依赖于前一任务的输出，所以他的三个loss都是不独立的。

I. Regressing Box-level Instance
第一个子网络获得每个目标的bounding box，和objectness score（class-agnostic，即不知道该目标属于哪一类）。
这个子网络使用Region-Proposal-Networks（RPN）的网络框架，输入是shared feature map（即特征图），连接一个3X3的卷积层用来降维，再接一个1X1的卷积层来回归box location和classifying object/non-object。
作者采用RPN的loss function ：

L1=L1(B(Θ))

其中Θ表示所有待优化的网络参数。B 表示该网络，输出是一系列的boxes：B={Bi} ,Bi={xi,yi,wi,hi,pi} ,i 表示每个box的索引，(xi,yi) 表示中心位置坐标，(wi,hi) 表示长宽，pi 表示objectness probability。

II. Regressing Mask-level Instance
在stage-2，输入：shared features 和 stage-1 box，输出：基于每个box的pixel-level segmentation mask。在这部分，mask-level instance 依旧是class-agnostic。
对于输入的stage-1 box，使用Region-of-interest（RoI） pooling 提取box特征（目的是从feature map上获取对应的任意尺寸的box的特征）。再接两个全连接层（fc layer），前一个负责降维至256，后一个fc layer负责回归pixel-level mask。
Loss 函数：

L2=L2(M(Θ)|B(|Θ))

其中M 表示第二个子网络，输出一系列mask：M={Mi} ,其中Mi 是一个m2 维的逻辑回归输出（属于[0,1]二值化，m2 是每个mask的分辨率）。
可以看出，L2 同时受限于M 和B 。

III. Category Instance
stage-3，输入：shared features，stage-1 box和stage-2 mask。输出：每个Instance的category score。
在stage-2中，我们提取了每个box的feature，现在我们继续提取每个mask的feature：

FMaski(Θ)=FRoIi(Θ)∗Mi(Θ)

其中FRoIi(Θ) 表示经过RoI pooling 提取的box的feature。
然后作者考虑同时使用masked feature 和 box-based feature。通过连接softmax classifier 预测N+1种类。
Loss函数如下：

L3=L3(C(Θ)|M(Θ),B(Θ))

技术挑战：

End-to-end Training
本文定义了一个整体的Loss function：

L(Θ)=L1(B(Θ))+L2(M(Θ)|B(|Θ))+L3(C(Θ)|M(Θ),B(Θ))

但不同于普通的多任务学习，该论文的后一级任务都是基于前一级的输出。

在end-to-end训练任务中，最主要的技术挑战就是在使用RoI pooling的过程中，预测框Bi(Θ) 的空间位置不断变化。因为在fast R-CNN论文中使用的RoI pooling 的预测框是经过预训练的，它的反向传播只考虑F(Θ) ,但我们现在必须同时考虑Bi(Θ) 。

Differentiable RoI Warping Layers
原始的RoI pooling layer 是在一个box内的离散网格执行max pooling。所以本文要在RoI pooling layer中，增加Bi(Θ) 信息，以达到本文的需求。
大体的计算公式如下：

FRoIi(Θ)=G(B(Θ))F(Θ)

F(Θ) 就是feature map。G表示裁剪和变形操作的矩阵，就是任意输入一个Bi(Θ)， 都将它裁剪变形到固定大小，然后变形成一个行列式矩阵，目的就是将n 维的F(Θ) 转换成n′ 维的FRoIi(Θ)。
具体实现略（之后补充）。

Masking layers
在L3 公式中，L3 的计算也依赖于M(Θ) , B(Θ) 。我们经过了Differentiable RoI Warping Module，就可以将L3 公式简单通过一个element-wise product module进行计算。

剩余略（之后补充）。