【论文学习记录】Learning to Segment Object Candidates
这篇是2015年的文章了，出自Facebook，论文原文《Learning to Segment Object Candidates》。
采用的是经典的two stage的方法进行目标检测，一个分支给出目标的proposal，一个分支给出目标的分数。但是输入的图像的patch，输出目标的proposal是segmentation mask。两个分支共享一部分网络得到的底层特征，作者将他们的方法称为DeepMask。
论文使用的VGG-A的网络结构，并在此基础上进行fine-tuning。首先去掉VGG当中所有的全连接层，还有最后的max pooling层，然后引出两个分支结构：一是mask 分支，接1x1的卷积层，然后再接一个像素级别的分类器；二是score分支，接一个max pooling层，然后再接两个全连接层，最终输出score。
损失函数：
前半部分是对mask的处理，后半部分是对patch的预测。
每一个用于训练的样本包含：
1. 输入的RGB图像patch Xk；
2. 图像patch的mask Mk，取值1或者-1；
3. 图像patch的标签Yk，取值1或者-1，代表patch是否含有目标。
一个patch Xk的标签要是Yk=1的认定比较严格，必须满足以下条件：
1. 输入patch的中心或者中心附近包含目标；
2. 目标在一定尺度容忍范围内占满这个patch。
另一个是mask如何赋值：
1. 当标签Yk=1时，如果某个像素点是中心点的目标的一部分，那么Mk=1，否则Mk=-1；
2. 当标签Yk=-1时，mask全部为0。
因为网络输入的是图像的patch，只对单个目标负责，因此在全图预测的时候，是通过在多个location和scale下应用模型解决的。
在训练阶段，经过变换后的样本，在距离原来样本中心点正负16个像素点，尺度变换在0.8-1.2倍之间都视为和原样本一样，会被赋值标签1.而如果是距离样本中心点正负32个像素点以上，尺度变换我0.5或者2倍以为都被视为和原样本不一样，会被赋值标签-1。
在测试阶段，将输入图片以16个像素的步长变换location，以0.25-2倍的尺度进行变换。