[CLS 08 · 密集预测、实例与集合输出](/course/notebooks/2d81e2a1936043349eacb71c53c0defa.html)

# 对齐的正面实证
[独立阅读](/course/notebook-blocks/59e4b23da62d4b709cc87f278811ec2f.html)
按问题继续

像素损失、IoU口径、粗细表示、实例身份与集合输出

## 对齐的正面实证

Mask R-CNN v3 的 Table 2 使用 COCO `trainval35k` 训练、`minival` 测试；表中未另说明时报告 mask AP。以下固定 ResNet-50-C4、stride 16，并选同为 max 聚合的行：

| 区域读取 | 是否保留对齐 | 是否双线性 | mask AP | mask AP75 |
| --- | --- | --- | --- | --- |
| RoIPool | 否 | 否 | 26.9 | 26.4 |
| RoIWarp | 否 | 是 | 27.2 | 27.1 |
| RoIAlign | 是 | 是 | 30.2 | 31.8 |

RoIAlign 相比 RoIPool 的 AP 增加 3.3 点，AP75 增加 5.4 点。RoIWarp 也插值却没有同样改善，支持“保持坐标对应”这一机制判断。平均聚合的 RoIAlign 行是 AP30.3/AP75 31.5，引用时不能把不同聚合行混在一个对照里。Table 2(d) 换成 C5、stride32，mask AP 从 23.6 到 30.9；这是另一组设置。

这些是训练完整模型的论文结果，不是本课程重跑。它们说明读取位置值得修复，尤其严格定位受益；P44 则把输入 F 固定成完全相同，讨论任何确定性读出都无法创造差别。方法有效与构造例中的信息限制，可以同时成立。

[Mask R-CNN v3 Table 2](https://arxiv.org/html/1703.06870v3#S4.SS2) · [对齐与信息碰撞的模拟追问](/course/blocks/roi-information-dialogue.html)