这篇文章比较简单，但还是不想写overview，转自： https://blog.csdn.net/zimenglan_sysu/article/details/52451098
另外，读这篇paper的时候，一直想不明白白一个问题，就是他分出了(k^2)个Instance-sensitive score maps，他是怎么训练的。。换句话说，ground truth是怎么弄的？ 文章里只说了用logistics做损失函数，应该需要看代码，因为还没有搞分割的打算，先不详细了解代码。
Instance-sensitive Fully Convolutional Networks - eccv 2016
=====
论文地址：http://arxiv.org/abs/1603.08678
=====
一句话概括：
根据local coherence的特性，以sliding window的方式，利用FCN产生positive-sensitive的instance-level的segment proposal。
=====
framework
从上图可以看出，该network是一个full convolutional network（based on VGG16），除了feature extractor（VGG16的前13个conv layers）外，还有两个branches：
1 segment branch
该branch由1*1 conv，3*3 conv和一个assembling layer构成，后接segment的loss layer（采用logistic regression layer）
2 scoring branch
该branch由3*3 conv，1*1 conv构成，后接一个scoring的loss layer（采用logistic regression layer）
显然segment branch产生instance-level的segmentation mask，scoring branch对segment branch产生的instance mask进行打分。
（这里为objectness score，有点不明白为什么不是class-specific的）。
剩下的network architecture（VGG16-base）见下图：
论文采用了hole algorithm来获取dense的feature map同时保持和原来VGG16的感受野大小。
=====
key module - assembling module
论文中的network（如上所述）是比较容易理解的，除了segment branch的assembling module。
先上图来个感性认识
从上述三张图可以看出assembling module是如何工作的了，具体来说：
1 理解k^2 feature maps
由segment branch产生k^2个feature maps（或者理解为predicted masks），
这k^2 feature map编码了不同的位置信息，如top-left，top-center，……，bottom-right。
也就是每个feature map对应一个位置。
2 assembling -> producing instance-level mask
假如给定一个bounding box M（m*m大小），那么就可以将bounding box投影到k^2个feature map。
（类似RoIPooling）
将bounding box划分为k*k个bin，每个bin的大小为（m/k，m/k），
同理，bounding box投影到的feature map上的投影bounding boxes的
每个bounding box N_i （i=1,2, ...., k^2）也划分为k*k个bins。
这样M的每个bin K对应到第K个feature map上的N_k的bin K（刚好都是k^2)
那么对应的instance-level mask的输出为：同样为m*m大小，同样划分为k*k个bins
将第K个feature map上的N_k的bin K的feature values，拷贝到输出对应的bin K上。
（反向传播时，就是将对应的diff反过来拷贝过来就好）
说的有点绕口，但是它就是这么简单。
这里的输入bounding box并不是由proposal method产生的，而是论文作者以sliding window的方式
和指定bounding box的大小来产生的：
1 假设k^2的feature maps的大小为h和w，（同样对应的scoring branch的score map的大小也是h和w）
2 feature map上的每个pixel都产生一个bounding box，其大小为m*m，（论文里m=21）
3 每个pixel根据该bounding box
（已经是投影再feature map上的bounding box了，这个需要注意，而不是再从原图投影到feature map上），
输入其的instance-level的mask
4 这里的每个instance-level mask（一共w*h个）都由一个对应的objectness score，由scoring branch的score map给出
需要注意的是这里的w和h由个隐性的约束条件：h>=m, w>=m
=====
training & testing
那么论文是怎么training和testing的？还是直接看图（笔者直接截出来的）
=====
local coherence
嗯，直接看图，不说话
=====
与deepmask的对比
这个嘛，上面的local coherence已经说的很明白了，具体的请各位客官各自看论文和deepmask的论文
=====
实验效果
嗯，直接看图，不说话
=====
总的来说，
整篇论文的思路很简单，但是效果就是好，复现也容易（但是，笔者还是坐等论文作者开源）
但是笔者有几处不是很明了，不知道哪位客官可以解答下：
1 branches的conv layer设计，为什么segment branch的为1*1，3*3，而scoring branch为3*3，1*1，为什么这样设计？
2 scoring branch的score为什么不是class-specific的而是objectness？
3 为什么不用proposal method的方式来产生bounding boxes？
4 训练segment branch时，是如何为每个predicted instance-level的mask分配对应的ground-truth？
5 为什么不用在论文作者的另外一篇论文上：Instance-aware Semantic Segmentation via Multi-task Network Cascades
笔者在此多谢喇！
欢迎前来探讨！
=====
如果这篇博文对你有帮助，可否赏笔者喝杯奶茶？
