R-CNN
在那个时间点，基于深度学习的卷积神经网络开始屠榜ImageNet，R-CNN的思路非常直接，既然在图像分类方向上卷积神经网络效果这么好，那么如果把一张图的所有目标抠出来，一个一个送入CNN，不就可以将CNN和目标检测任务结合起来使用了，于是R-CNN就诞生了。
训练流程：
先在ImageNet上对CNN进行supervised pre-training；
然后在PASCAL VOC 2012数据集上进行domain-specific fine-tuning，即把ImageNet的1000分类层替换成21分类层(20个目标类加上1个背景类，因为region proposal会多产生一个背景类)进行fine-tuning；
然后将21分类层替换成每个类别一个线性SVM分类器(即总共21个SVM)，然后进行分类训练；
最后加上边界框回归分支，进行定位训练。
推理流程：
先对输入图片使用selective search抽取2000个region proposals；
然后将region proposals一个一个送入CNN进行计；
最后使用SVM分类器和边界框回归分支得到最终的类别和定位。
贡献
R-CNN之前的方法是先unsupervised pre-training，然后fine tuning，而R-CNN是第一个提出先supervised pre-training，然后fine tuning用于下游任务。
R-CNN在PASCAL VOC 2012数据集上比起之前的方法提升了30%，R-CNN奠定了目标检测的总体框架，开辟目标检测领域region proposal+CNN范式的新时代。
缺陷：
将R-CNN和OverFeat进行比较，提到OverFeat比R-CNN速度快9倍，主要是因为OverFeat的region proposals是作用在CNN后的feature map上的，CNN参数共享大大提高region proposals的并行性。
R-CNN中提到，SVM可能不是必须的，可能可以精简训练流程。
Fast R-CNN
Fast R-CNN针对R-CNN的两个伏笔进行了改进，通过CNN并行处理所有region proposal，并且同时训练分类和定位。
训练流程：
先在ImageNet上进行pre-training；
然后在PASCAL VOC数据集上进行分类和定位多任务的fine-tuning；
在训练流程上，相对于R-CNN直接将2，3，4步骤合并成一个步骤完成，大大降低了训练的复杂程度。
推理流程：
先将整张图片送入CNN得到feature map；
然后对feature map进行selective search，得到region of interest(RoI)；
然后将每个RoI送入RoI pooling转化成相同维度的向量；
最后通过两个独立的FC，预测出类别和位置。
在推理流程上，相比于R-CNN，送入CNN的是整张图片，selective search是在更小分辨率的feature map上进行的，大大减少了计算量。
RoI pooling
将不同尺寸大小的RoI进行维度上的对齐，可以统一进行multi-task的训练和推理。
RoI pooling如图所示。以RoI pooling后尺寸变成2x2为例，右上图的黑色矩形框对应一个RoI(h,w=5,7)，RoI需要分成4个bin，由于RoI pooling切分bin的时候需要对划分尺寸进行量化(h//2=2，w//2=3)，所有第一个bin包含2x3个像素，第二个bin包含2x4个像素，第三个bin包含3x3个像素，第四个bin包含3x4个像素。最后对每个bin中的像素进行max pooling得到最终的2x2 feature map。
贡献
Fast R-CNN极大的简化了R-CNN的训练流程，可以端到端的训练检测器，为后续Faster R-CNN的出现奠定了基础。
缺陷：
Fast R-CNN指出region proposal部分还是计算量太大了，导致速度不能进一步提高。
Faster R-CNN
虽然Fast R-CNN极大加快了检测器的推理速度，但是region proposal部分仍然是检测器进一步提升速度的瓶颈。于是，Faster R-CNN针对Fast R-CNN埋下的伏笔，设计了RPN和Anchor两个新组件，来改善region proposal提取RoI的质量，同时提升检测器的精度和速度。
训练流程：
通过ImageNet pre-trained model初始化CNN，然后端到端fine-tuning RPN部分；
固定住RPN，然后通过RPN产生的region proposal来训练Fast R-CNN部分；
固定住CNN和Fast R-CNN来fine-tuning RPN网络；
固定住CNN和RPN来fine-tuning Fast R-CNN网络。
相当于是对RPN和Fast R-CNN两个部分交替进行训练，因为使用了RPN，导致训练难度增加，比起Fast R-CNN训练过程更加复杂了(后续开源代码对Faster R-CNN训练流程进行了简化，可以同时训练RPN和Fast R-CNN)。
推理流程：
先将图片输入CNN得到featmap；
然后通过RPN产生RoI；
然后将每个RoI送入RoI pooling转化成相同维度的向量；
最后通过两个独立的FC，预测出类别和位置。
Region Proposal Networks
Faster RCNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度。
上图是RPN网络的具体结构。RPN网络分成2个分支，一个分支通过softmax分类得到所有anchors的分类分数，另一个分支用于计算所有anchors的边界框回归偏移量，以获得精确的proposal。最后在ProposalCreator通过分类分数和偏移量来得到合适的proposals。
Anchors
Faster R-CNN中在feature map的每个位置都设置了三种尺度三种长宽比的anchor，总共9种。anchor数量对RPN输出维度产生的变化如上图所示：原文中使用的CNN网络是ZF，CNN最后的conv5层num_output=256，对应生成256张特征图，所以相当于feature map每个点都是256-dimensions；在conv5之后，做了3x3卷积保持num_output=256，相当于每个点又融合了周围3x3的空间信息；在conv5 feature map的每个位置上设置k个anchor（默认k=9），而每个anhcor要分positive和negative，所以每个点由256d feature转化为cls=2k scores；而每个anchor都有(x, y, w, h)对应4个偏移量，所以reg=4k coordinates；训练时在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。
Loss Function
Faster R-CNN训练时有4个损失函数，函数形式跟Fast R-CNN的损失函数相似：
RPN 分类损失：anchor是否为前景（二分类）
RPN位置回归损失：anchor位置微调
RoI 分类损失：RoI所属类别（21分类，多了一个类作为背景）
RoI位置回归损失：继续对RoI位置微调
四个损失相加作为最后的损失，反向传播，更新参数。
贡献
Faster R-CNN设计的RPN和anchor可以极大提升region proposal质量，同时极大提升了检测器的精度和速度。Faster R-CNN是R-CNN系列的集大成者，能够用近乎实时的速度检测物体，让目标检测在更多场景应用成为可能。
Mask R-CNN
Faster R-CNN的RoI pooling是粗粒度的空间量化特征提取，不能做输入和输出pixel-to-pixel的特征对齐，并且不能直接应用于实例分割。于是Mask R-CNN提出用RoIAlign来替代RoI pooling，得到pixel-to-pixel的特征对齐，并且在Faster R-CNN框架的基础上简单地增加了一个mask分支就能实现实例分割。
训练流程：
先在ImageNet上进行pre-training；
然后在COCO数据集上进行分类、定位和分割三个任务fine-tuning。
推理流程：
先将图片输入CNN得到featmap；
然后通过RPN产生RoI；
然后将每个RoI送入RoI pooling转化成相同维度的向量；
最后通过两个独立的FC，预测出类别和位置，同时通过mask分支预测出分类分数前N个RoI的分割mask。
Network Architecture
Mask R-CNN把抽取特征的CNN部分定义为backbone，把分类、回归和分割部分定义为head。Mask R-CNN把ResNet第4个stage出来的feature定义为ResNet C4，同时Mask R-CNN还探索了更加有效的FPN网络。
FPN结构如图所示。FPN采用自顶向下结构，通过横向连接构建网络内部特征金字塔。FPN可以根据anchor的尺度大小分配特征层，从不同特征层提取RoI特征。
head结构如图所示。ResNet C4的backbone后面增加了一个stage5，然后进行分类、回归和分割。FPN的backbone将FPN结构收集到的RoI直接送入两个分支，然后进行分类、回归和分割。其中分割分支，通过deconv来得到更大分辨率的feature map，从而得到更精确的mask预测结果，分割分支的最终feature map通道数等于类别数，每个通道预测一种类别的mask。相比Faster R-CNN，损失函数多了mask项。
RoIAlign
分割需要pixel-to-pixel对齐的RoI特征，这促使Mask R-CNN设计了RoIAlign来替代RoI pooling。
RoIAlign如上图所示。切分bin的时候和RoI pooling有所不同，避免了量化带来的误差，保证pixel-to-pixel的对齐。如右下图，RoIAlign切分bin的时候不进行量化，每个bin划分成2x2(4个红色x标记)，每个红色x通过最相邻的4个像素值进行双线性插值计算，得到每个bin的4个插值，最后通过max pooling得到最终的2x2 feature map。
贡献
Mask R-CNN完美地展现了Faster R-CNN的易拓展性和强大的检测能力。但是Mask R-CNN最重要的贡献其实是提高了人们对实例分割任务思维上的认知。从现在看，先检测后分割的思路似乎非常简单，但是在Mask R-CNN出现之前，实例分割大多数都是bottom-up的思路，而Mask R-CNN是top-down的思路，在当时如何在检测框架中简洁优雅的嵌入实例分割是很困难的。Mask R-CNN最终夺得ICCV 2017 Best Paper。下图展示Mask RCNN分割结果图。
从上图可以清清楚楚的看出从R-CNN到Mask R-CNN框架是如何演变的，可以分成两个支线看：训练流程和推理框架。
训练流程：
R-CNN -> Fast R-CNN极大精简了目标检测框架的训练流程，从4个独立训练流程精简成了2个独立训练流程；
Fast R-CNN -> Faster R-CNN因为RPN网络的引入，导致训练流程重新变成了RPN和Fast R-CNN交替训练4次(后续开源代码将RPN和Fast R-CNN联合训练了)；
Faster R-CNN -> Mask R-CNN又转变成了2个独立训练流程。
推理框架：
R-CNN -> Fast R-CNN提取RoI进行并行化处理，将分类和定位看成一个多任务，并设计RoI pooling来进行特征对齐；
Fast R-CNN -> Faster R-CNN提出RPN来对region proposal部分进行加速，并且提出anchor来适应不同形态的目标；
Faster R-CNN -> Mask R-CNN增加一个mask分支，展示了Faster R-CNN的易拓展性，并且设计了RoIAlign进行pixel-to-pixel的对齐。
总结
整个R-CNN系列非常经典，阵容极其华丽(RBG、何恺明、任少卿等等)。从传统视觉到深度学习，RGB简单直接的应用CNN构造了R-CNN检测器，开启基于深度学习的目标检测新时代；从R-CNN到Fast R-CNN、Faster R-CNN通过实验观察和思考，发现问题，解决问题；Mask R-CNN在已有领域，通过简单设计改造，从目标检测任务迁移到实例分割任务。无论是从设计思维，洞察力和科研敏锐性上，都无可挑剔。
