首先咱什么也不说，直接上图：

这个就是各个模块之间的主要分别，我手写出来用以分别。

在之前我们要有一个概念，就是最开始cv那些人在做这些事情的时候，是先通过一些启发式的方法，找到那个候选的方框。也叫做 candidate object regions 或者 candidate region proposals或者 

因为这些会很多，所以对每一个region做cnn，然后分类就很慢，fast就是用feature先统一提取，最后在每个region上面做warp后然后直接用提取好的feature分类，

faster直接把那个proposal都省了，而是用一个模型先预测边界。mask-r-cnn就更棒了，但是模型没什么新意，主要是提出了一个叫做 instance detection的东西，这个东西把所有的事情都干了，加了一个mask，如下图：

其实也就是 不仅确定了边框，类别，而且把边框里面的哪一个像素是的，也给弄出来了，就是上图框里面纯色的部分，也叫做 mask。

整个模型也比较简单，如下图：

其中第一个conv之前还是和以前一样，只不过加了一个第二个conv，就是用来确定mask的。

这里面还有一些其他的 trick，因为以前的把一个框弄成正方形适合cnn来做，但是现在要mask，所以他们就设计了一种新的ROI确定的方法。

也就是以前的那种方法只能用来分类，但是现在要mask了，所以需要提出新的，具体我也没看懂 😄

以上就是这个MASK-R-CNN的主要的点，何凯明2016提出来的。不知道最近有没有新的model出来，我记得好像有用 RNN来做的，下次再说吧。