1.7　MaskX R-CNN

在本节中，先验知识包括：

❏ Mask R-CNN（1.6 节）；

❏ YOLOv2（2.3节）。

YOLO9000[22]通过半监督学习的方式将模型可检测的类别从80类扩展到了9418类，YOLO9000类别扩展有效的原因之一是目标分类和目标检测使用了共享的特征，而这些特征是由分类和检测的损失函数共同训练得到的。采用半监督学习的方式训练YOLO9000的一个重要原因就是检测数据价格高昂。所以，YOLO9000采用了数据量较小的COCO的检测标签、数据量很大的ImageNet的分类标签作为半监督学习的样本，分别训练多任务模型的检测分支和分类分支，进而得到了可以同时进行分类和检测的特征。

---

[22]　参见Joseph Redmon、Ali Farhadi的论文“YOLO9000: Better, Faster, Stronger”。

之所以先介绍YOLO9000，是因为本节要分析的MaskX R-CNN[23]和YOLO9000的动机和设计有很多相同点。

---

[23]　参见Ronghang Hu、Piotr Dollár、Kaiming He等人的论文“Learning to Segment Every Thing”。

● 它们都是在多任务模型中使用半监督学习来完成自己的任务的：YOLO9000用来做检测，MaskX R-CNN用来做实例分割。

● 使用半监督学习：因为它们想将目标类别扩展到更广的范围，所以面临数据量不够的问题，对比检测任务，实例分割的数据集更为稀缺（COCO的80类，PASCAL VOC的20类），但是Visual Genome（VG）[24]数据集有3000类108 077张带有目标框的样本。

---

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

● 它们的框架算法都继承自另外的框架：YOLO9000继承自YOLOv2，MaskX R-CNN继承自Mask R-CNN。

不同于YOLO9000通过构建WordTree的数据结构来使用两个数据集，MaskX R-CNN提出了一个叫作权值迁移函数（weight transfer function）的迁移学习方法，将目标检测的特征迁移到实例分割任务中，进而实现了对VG数据集中3000类样本的实例分割。这个权值迁移函数便是MaskX R-CNN的精华所在。