涉及到的知識點補充：
FasterRCNN：https://www.cnblogs.com/wangyong/p/8513563.html
RoIPooling、RoIAlign：https://www.cnblogs.com/wangyong/p/8523814.html
FPN：https://www.cnblogs.com/wangyong/p/8535044.html
首先，先看兩張圖（第一張圖來源於論文，第二張圖來源於網絡），如下：
(圖1)
(圖2)
圖1：可以看出MaskRCNN在有效檢測目標的同時輸出高質量的實例分割mask
圖2：可以看出MaskRCNN的網絡結構，作為FasterRCNN的擴展
1)：用RolAlign代替了RoIPooling，RoIPooling使用取整量化，導致特征圖RoI映射回原圖RoI時空間不對齊明顯，造成誤差；RolAlign不使用取整量化而是采用雙線性插值，完成像素級的對齊；
2)：FasterRcnn為每個候選對象ROI提供兩個輸出，一個類標簽，一個邊界框偏移量，為此，MaskRCNN並行添加了第三個分割mask的分支，mask分支是應用到每一個ROI上的一個小的FCN（Fully Convolutional Network），以pix2pix的方式預測分割mask。
MaskRCNN具有很好的泛化適應能力，可以和多種RCNN框架結合，比較常見的如：
1）FasterRCNN/ResNet；
2）FasterRCNN/FPN
在接下來的文章介紹中則主要結合FPN網絡記錄MaskRCNN的工作原理
如果要說清楚MaskRCNN的工作原理，先從數據標注開始，知道如何制作數據集，對理解網絡有幫助
一）、數據標注
利用labelImg和labelme的源碼，整合成一套新的標注工具，同時支持矩形和多邊形的繪制，界面如下圖(從上到下,從左到右依次是：菜單欄、工具箱、文件列表展示區、主圖繪制區、標簽展示區、狀態欄)：
繪制完成，點擊保存后，會將圖中繪制的點坐標信息保存到JSON文件中，JSON文件的格式如下：
每一張圖片會產生一個與其同名的JSON文件，文件夾中的格式如下圖所示：
注：一張圖片只需對應一張JSON文件即可，而網絡在訓練的時候需要一個‘mask圖片’，這個會在代碼中利用JSON中坐標點臨時生成
二）、網絡原理
MaskRCNN作為FasterRCNN的擴展，產生RoI的RPN網絡和FasterRCNN網絡一樣，如想詳細了解這個過程，可以參看文章上述給出的FasterRCNN的博文，這里不太敘述RPN網絡的原理，重點看下MaskRCNN其余部分的理解；
源碼：https://github.com/matterport/Mask_RCNN
結構：ResNet101+FPN
代碼：TensorFlow+ Keras（Python）
代碼中將Resnet101網絡，分成5個stage，記為[C1,C2,C3,C4,C5]；如果了解FPN網絡（也可以參看上面提供的FPN網絡博文鏈接），知道這里的5個階段分別對應着5中不同尺度的feature map輸出，用來建立FPN網絡的特征金字塔（feature pyramid）.
先通過兩張MaskRCNN整體網絡結構圖，再附帶一張繪制了stage1和stage2的層次結構圖（stage3到stage5的結構層次比較多，未繪制），來整體了解下MaskRCNN網絡。
MaskRCNN網絡結構泛化圖：
MaskRCNN網絡結構細化圖（可放大看）：
stage1和stage2層次結構圖：
結合MaskRCNN網絡結構圖，注重點出以下幾點：
1） 雖然事先將ResNet網絡分為5個stage，但是，並沒有利用其中的Stage1即P1的特征，官方的說法是因為P1對應的feature map比較大計算耗時所以棄用；相反，在Stage5即P5的基礎上進行了下采樣得到P6，故，利用了[P2 P3 P4 P5 P6]五個不同尺度的特征圖輸入到RPN網絡，分別生成RoI.
2）[P2 P3 P4 P5 P6]五個不同尺度的特征圖由RPN網絡生成若干個anchor box，經過NMS非最大值抑制操作后保留將近共2000個RoI（2000為可更改參數），由於步長stride的不同，分開分別對[P2 P3 P4 P5]四個不同尺度的feature map對應的stride進行RoIAlign操作，將經過此操作產生的RoI進行Concat連接，隨即網絡分為三部分：全連接預測類別class、全連接預測矩形框box、 全卷積預測像素分割mask
3）損失函數：分類誤差+檢測誤差+分割誤差，即L=Lcls+Lbox+Lmask
Lcls、Lbox：利用全連接預測出每個RoI的所屬類別及其矩形框坐標值，可以參看FasterRCNN網絡中的介紹。
Lmask：
① mask分支采用FCN對每個RoI的分割輸出維數為K*m*m（其中：m表示RoI Align特征圖的大小），即K個類別的m*m的二值mask;保持m*m的空間布局，pixel-to-pixel操作需要保證RoI特征 映射到原圖的對齊性，這也是使用RoIAlign解決對齊問題原因，減少像素級別對齊的誤差。
K*m*m二值mask結構解釋：最終的FCN輸出一個K層的mask，每一層為一類，Log輸出，用0.5作為閾值進行二值化，產生背景和前景的分割Mask
這樣，Lmask 使得網絡能夠輸出每一類的 mask，且不會有不同類別 mask 間的競爭. 分類網絡分支預測 object 類別標簽，以選擇輸出 mask，對每一個ROI，如果檢測得到ROI屬於哪一個分 類，就只使用哪一個分支的相對熵誤差作為誤差值進行計算。（舉例說明：分類有3類（貓，狗，人），檢測得到當前ROI屬於“人”這一類，那么所使用的Lmask為“人”這一分支的mask，即，每個class類別對應一個mask可以有效避免類間競爭（其他class不貢獻Loss）
② 對每一個像素應用sigmoid，然后取RoI上所有像素的交叉熵的平均值作為Lmask。
由於MaskRCNN網絡包含了很多之前介紹過的知識點，例如RPN，FPN，RoIPooling，RoIAlign，故這遍文章看上去顯得比較‘單薄’，如果想弄清楚MaskRCNN網絡，還是可以需要結合文章一開頭提到的幾遍博文一起閱讀…
文章開頭的時候，利用自己的標注工具，對細胞圖片進行標注，每個圖片產生一個JSON文件，通過訓練后，測試效果如下（標注的圖片不是很多，效果還行）：
作為一枚技術小白，寫這篇筆記的時候參考了很多博客論文，在這里表示感謝，同時，轉載請注明出處......
如有疑問，歡迎留言...