实例分割，是将物体检测和语义分割两者结合的任务，目的是在语义分割的同时，即便同一个类的物体之间，也会区别不同的个体。比如道路上两辆车，语义分割会将这两辆车划分为同一个颜色，也就是同一类;而实例分割则会将这两辆车划分为两个颜色，区别出这两辆车。
这篇文章便给出了一个很简单、可扩展，并且稳定性高的模型——Mask RCNN，来进行实例分割，这个模型还是以Faster RCNN为基础的（手动佩服Kaiming大神，刷引用的最好的方式就是自己引用自己，各个都是神作）。下面具体来看一下：
直观上来看，Mask RCNN就是扩展自Faster RCNN，然后添加了一个mask的分支。在Mask RCNN的模型里面，确实也是沿用了绝大部分的Faster RCNN的网络结构，输出的是物体的类别，以及Bbox的位置。但是为了去做实例分割，Mask RCNN还需要一个像素级别的分割输出，因此文章在Faster RCNN的基础上增加了第三个输出mask的分支。这个新增的分支，需要pixel level的信息，特别是图片中的空间信息，而原本的Faster RCNN是弱化了空间的相关信息（ROI polling的时候格外明显），所以文章提出了本文最大的一个创新点，ROI align，这一机制直接将原本ROI polling过程中忽略，或者放弃的信息，有效地利用了起来，每一个像素的信息都会发生作用（具体的ROI pollig和ROI align的区别可以自行查阅，划重点，面试必考，送分题！）。
对每个ROI都会输出一个mask的二值图，这个二值图是K×m×m的，其中K是总的类别（每个类别都会输出一个mask），m×m是ROI的大小，在mask的loss中，只有gt的那一类会起效（cross entropy）。文章表示，这个loss是获得如此好结果的关键。
文章提出，将mask和prediction分离（解耦）很重要，也就是对每一个像素，针对所有类别，分别做一个mask的二分类，然后再用ROI的方式来做类别的预测，这样的话，类别之间就不会产生互相的影响和竞争机制;但FCN模型就将mask和class prediction放在了一起进行处理，也就是说直接对每一个像素进行分类。（个人理解：毕竟FCN初衷是做语义分割，并不去要区分具体的类内物体，所以这样做会效率更高一些）
文章提到，Mask RCNN是一个instance first，也就是首先去做实例相关的网络，而不像之前的一些工作，是segmentation first，也就是先做语义分割，再去做实例分割。因为我并不是搞分割的，所以文章里面提到的一些分割的related work我并不是太懂，后面有机会再来了解一下。
具体的结果，还有模型的结构，文章里写的都比较清晰，结构也很简单，这些就不贴了。
