背景
Mask R-CNN是基于Faster R-CNN网络打造的，从下面的图就可以直观看出他们的区别
1、首先蓝框中为Faster R-CNN中的全连接网络；
2、左边[7, 7]的conv模块为ROI Pooling/Align的结果；
3、右边[7, 7]的conv模块为新增的用于训练Mask分支的全卷积网络FCN(这里是pixel to pixel的映射，所以需要用到FCN)
ROI Align
借用网上的一张图，Faster R-CNN中会造成两次量化误差，一次是RPN网络产生Region Proposal时，对ground bounding box的量化，另外一次是Pooling到[7, 7]的feature map时的量化，均是因为像素没有浮点数，强行四舍五入造成的。
但是由于feature map大小是原图的1/32，半个像素误差就会导致原图16个像素的差别，这在绘制Mask这种Pixel量级的任务时，会造成很大的误差。
如上图所示，作者在Mask R-CNN中对RPN、Pooling层都保留浮点数值，并且对Pooling后map中的每个像素点，分别采用双线性插值，本质就是在X/Y两个方向做线性插值（算法解析），来计算4个虚拟点的像素值。之后再进行max/average pooling，池化后的结果即为最终pooling后map的像素值。
Ref:
📎：详解 ROI Align 的基本原理和实现细节
📎：目标检测：Mask R-CNN 论文阅读
📎：Mask RCNN-论文简记