# 一个 RoI 的三项输出，为什么不是三个类别标签
[独立阅读](/course/blocks/mask-branch-target.html)**课堂上下文：从哪个问题来**
一个 RoI 的类别、框与局部 mask 有不同输出形状和监督。mask 分支需要二维布局，并以当前实例为目标，框中另一个同类对象不该被顺便选中。P41–43 接着检验区域读出与目标坐标是否真的一致。


同一 RoI 可以给出类别、四个框偏移和一个二维掩码。前两项可以汇总为短向量；mask 却需要保留“区域左上、右下分别是什么”的空间关系。把区域特征完全摊成不带布局的统计，会给逐像素对应增加负担。



画面中原图局部只帮助我们指认对象。真正进入区域任务头的是从共享特征 F 读取的区域特征；其空间格子保存相对位置，每格还可以有多个通道。后两页检验这一读取怎样保持连续坐标对应。



Mask R-CNN 的掩码分支在 RoI 内预测固定大小的二值图。原论文的默认实现对每个类别各预测一张 sigmoid mask，训练时只计算真值类别对应的掩码损失；区域分类分支负责决定类别。因此掩码像素回答的是“是否属于本实例”，不是让所有对象类别在每个 RoI 像素上再次竞争。



用杯子的例子理解：RoI 已对应杯一，框里即使还露出杯二的一部分，杯一的目标 mask 仍只标杯一。两个区域可以都被分类为杯子，分别交付各自的二值轮廓。这种分工让实例身份与像素预测接在一起。



本课程并没有在 LAB11 训练完整 Mask R-CNN；LAB11 是三类语义分割。Mask R-CNN 的训练证据来自原论文，坐标、局部目标和插值机制则可由 LAB03 的小算例独立检验。



图内标签与数值：Lecture 03 课堂图解 P40；原图 + 当前 RoI；共享 F；RoI 读取；二维区域特征 F_RoI；类别：杯子；框：位置修正；原图局部：仅用于对应对象；实例；二值 mask；教学目标示意 · 非模型预测；三项任务读取共享 F 中的区域特征；照片仅作参考，mask 保持二维局部布局。

共享 F 读取出的二维区域特征进入三项任务头；照片独立作参考，掩码是教学目标示意。 查看对应图解状态

- 原图 + 当前 RoI
- 共享 F
- RoI 读取
- 二维区域特征 F_RoI
- 类别：杯子
- 框：位置修正
- 原图局部：仅用于对应对象
- 实例
- 二值 mask
- 教学目标示意 · 非模型预测
- 三项任务读取共享 F 中的区域特征；照片仅作参考，mask 保持二维局部布局。共享 F 读取出的二维区域特征进入三项任务头；照片独立作参考，掩码是教学目标示意。 [查看对应图解状态](/#/l3-r2-p40/1)[查看完整图解](/#/l3-r2-p40/1)
**出处：**[Mask R-CNN v3 §3–4、Table 2](https://arxiv.org/html/1703.06870v3)
## 继续阅读与实验