本届 CVPR 2017大会上出现了很多值得关注的精彩论文，国内自动驾驶创业公司 Momenta 联合机器之心推出 CVPR 2017 精彩论文解读专栏，本文是此系列专栏的第五篇，介绍了清华大学与微软的论文《Fully Convolutional Instance-aware Semantic Segmentation》，作者为 Momenta 高级研发工程师梁继。
论文链接：https://arxiv.org/pdf/1611.07709.pdf
自从 FCN(Fully Convolutional Networks for Semantic Segmentation)一文将全卷积，端到端的训练框架应用在了图像分割领域，这种高效的模式被广泛应用在了大多数的语义分割任务(semantic segment)中。它在网络结构中只使用卷积操作，输出结果的通道个数和待分类的类别个数相同。后接一个 softmax 操作来实现每个像素的类别训练。
物体分割(instance aware segment)有别于语义分割。在语义分割中，同一类的物体并不区分彼此，而是统一标记为同一类。但物体分割需要区分每一个独立的个体。
上图的示例可以看出两个任务的区别。左图中的五只羊，在语义分割任务中(中图)，被赋予了同一种类别标签。而在物体分割中(右图)，每只羊都被赋予了不同的类别。
在一张图像中，待分割的物体个数是不定的，每个物体标记一个类别的话，这张图像的类别个数也是不定的，导致输出的通道个数也无法保持恒定，所以不能直接套用 FCN 的端到端训练框架。
因此，一个直接的想法是，先得到每个物体的检测框，在每个检测框内，再去提取物体的分割结果。这样可以避免类别个数不定的问题。比如，在 faster rcnn 的框架中，提取 ROI 之后，对每个 ROI 区域多加一路物体分割的分支。
这种方法虽然可行，但留有一个潜在的问题：label 的不稳定。想象一下有两个人(A，B)离得很近，以至于每个人的检测框都不得不包含一些另一个人的区域。当我们关注 A 时，B 被引入的部分会标记为背景;相反当我们关注 B 时，这部分会被标记为前景。
为了解决上述问题，本文引用了一种 Instance-sensitive score maps 的方法(首先在 Instance-sensitive Fully Convolutional Networks 一文中被提出)，简单却有效的实现了端到端的物体分割训练。
具体的作法是：
将一个 object 的候选框分为 NxN 的格子，每个格子的 feature 来自不同通道的 feature map。
以上图为例，可以认为，将物体分割的输出分成了 9 个 channel，分别学习 object 的左上，上，右上，….. 右下等 9 个边界。
这种改变将物体从一个整体打散成为 9 个部分，从而在任何一张 feature map 上，两个相邻的物体的 label 不再连在一起(feature map 1 代表物体的左上边界，可以看到两个人的左上边界并没有连在一起)，因此，在每张 feature map 上，两人都是可区分的。
打个比喻，假设本来我们只有一个 person 类别，两个人如果肩并肩紧挨着站在一起，则无法区分彼此。如果我们划分了左手，右手，中心躯干等三个类别，用三张独立的 feature map 代表。那么在每张 feature map 上两个人都是可区分的。当我们需要判断某个候选框内有没有人时，只需要对应的去左手，右手，中心躯干的 feature map 上分别去对应的区域拼在一起，看能不能拼成一个完整的人体即可。
借用这个方法，本文提出了一个物体分割端到端训练的框架，如上图所示，使用 region proposal 网络提供物体分割的 ROI，对每个 ROI 区域，应用上述方法，得到物体分割的结果。
文章中还有一些具体的训练细节，不过这里不再占用篇幅赘述。本文***的价值在于，***个提出了在物体分割中可以端到端训练的框架，是继 FCN 之后分割领域的又一个重要进展。
Q&A
1 文中将物体划分为 NxN 的格子，这种人为规则是否有不适用的情况?
A：目前还没有发现不适用的情况。对于硬性划分带来的潜在问题，可以考虑一些 soft 分格的方法。
2 是否考虑去掉 rpn 提取 proposal 的步骤，直接在整图上做 multi class 的 instance aware segment?
A：这也是我们要尝试实现的。
3 instance aware segment 目前主要的应用场景是什么?
A：不清楚。留给做应用开发的人去发掘。
【本文是51CTO专栏机构“机器之心”的原创文章，微信公众号“机器之心( id: almosthuman2014)”】
