1.7　MaskX R-CNN

在本節(jié)中，先驗知識包括：

? Mask R-CNN（1.6 節(jié)）；

? YOLOv2（2.3節(jié)）。

YOLO9000[22]通過半監(jiān)督學(xué)習(xí)的方式將模型可檢測的類別從80類擴展到了9418類，YOLO9000類別擴展有效的原因之一是目標分類和目標檢測使用了共享的特征，而這些特征是由分類和檢測的損失函數(shù)共同訓(xùn)練得到的。采用半監(jiān)督學(xué)習(xí)的方式訓(xùn)練YOLO9000的一個重要原因就是檢測數(shù)據(jù)價格高昂。所以，YOLO9000采用了數(shù)據(jù)量較小的COCO的檢測標簽、數(shù)據(jù)量很大的ImageNet的分類標簽作為半監(jiān)督學(xué)習(xí)的樣本，分別訓(xùn)練多任務(wù)模型的檢測分支和分類分支，進而得到了可以同時進行分類和檢測的特征。

---

[22]　參見Joseph Redmon、Ali Farhadi的論文“YOLO9000: Better, Faster, Stronger”。

之所以先介紹YOLO9000，是因為本節(jié)要分析的MaskX R-CNN[23]和YOLO9000的動機和設(shè)計有很多相同點。

---

[23]　參見Ronghang Hu、Piotr Dollár、Kaiming He等人的論文“Learning to Segment Every Thing”。

● 它們都是在多任務(wù)模型中使用半監(jiān)督學(xué)習(xí)來完成自己的任務(wù)的：YOLO9000用來做檢測，MaskX R-CNN用來做實例分割。

● 使用半監(jiān)督學(xué)習(xí)：因為它們想將目標類別擴展到更廣的范圍，所以面臨數(shù)據(jù)量不夠的問題，對比檢測任務(wù)，實例分割的數(shù)據(jù)集更為稀缺（COCO的80類，PASCAL VOC的20類），但是Visual Genome（VG）[24]數(shù)據(jù)集有3000類108 077張帶有目標框的樣本。

---

[24]　參見Ranjay Krishna、Yuke Zhu、Oliver Groth等人的論文“Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations”。

● 它們的框架算法都繼承自另外的框架：YOLO9000繼承自YOLOv2，MaskX R-CNN繼承自Mask R-CNN。

不同于YOLO9000通過構(gòu)建WordTree的數(shù)據(jù)結(jié)構(gòu)來使用兩個數(shù)據(jù)集，MaskX R-CNN提出了一個叫作權(quán)值遷移函數(shù)（weight transfer function）的遷移學(xué)習(xí)方法，將目標檢測的特征遷移到實例分割任務(wù)中，進而實現(xiàn)了對VG數(shù)據(jù)集中3000類樣本的實例分割。這個權(quán)值遷移函數(shù)便是MaskX R-CNN的精華所在。