原论文地址：http://cn.arxiv.org/pdf/1703.06870v3
Mask R-CNN是在Faster R-CNN的物体检测基础上，增加了物体分割部分，并做了一些优化，下面会作具体描述。
下面为Faster R-CNN的网络结构图：
下面为Mask R-CNN的网络结构图：
Mask R-CNN相对于Faster R-CNN改变如下：
1.使用ResNet101进行提取Feature Maps。
2.用RoI Align替代RoI Pooling，使用线性插值方式增加检测框精度。
3.增加独立的Mask层，用于物体分割。
在Mask R-CNN里，首先输入图片会经过FPN，提取出5层Feature Map。FPN使用的是ResNet 101网络结构，网络通过向下传递，然后再向上合并特征， 输出C2、C3、C4、C5层Feature Map，C6为最后一层做2*2 Max Pooling得到。FPN结构如下：
第二步，FPN提取到的特征会传入RPN网络，生成约20000个anchor，先做3*3 Conv进一步提取特征，再分别经过1*1 Conv做前景与背景分类，并修正目标框坐标。对超出范围的目标框进行裁剪，去掉宽高太小的目标框，然后按前景分数倒序输出前12000个proposal。最后用NMS算法排除掉重叠的proposal，输出前2000个proposal。
第三步，使用proposal框取的特征经过RoI Align线性插值方式输出统一大小的特征，最后输出分类、目标框与Mask。
参考资料：
https://blog.csdn.net/ghw15221836342/article/details/79549387
