HTC（Hybrid Task Cascade）结构全解析（文字版）

1. 输入阶段

    输入：一张图像（如 1024×1024）

    预处理：图像归一化（均值方差）、resize、padding（满足尺寸要求）

2. Backbone 特征提取器

    使用 ResNet-101 提取特征

    分为 5 个阶段输出特征层（C1~C5），HTC 通常使用 C2-C5

 3. FPN（特征金字塔网络）

    输入：Backbone 输出的多层特征（如 C2~C5）

    目的：融合不同尺度的语义信息

    输出：多尺度特征图 P2 ~ P5（增强了小目标与大目标的表示能力）

 4. RPN（区域建议网络）

    输入：FPN 各层特征

    输出：多个 anchor proposals（候选框）

    每个 anchor 会：

        预测一个目标是否存在（分类）

        调整其形状（回归边界框）

 5. Proposal ROI Align

    将 RPN 生成的候选框提取出对应区域的特征

    使用 RoIAlign 精确对齐到固定尺寸（如 7×7 或 14×14）

 6. 三级 Cascade 的 RoI Head（核心）
第 1 阶段：

    BBox Head-1：

        分类（前景/背景）

        边界框回归

    Mask Head-1：

        对应的实例分割

    语义分支（Semantic Head）：

        利用全图语义特征辅助 mask 分支（info flow）

第 2 阶段：

    将上阶段预测框进行 refinement

    BBox Head-2、Mask Head-2 同样处理 refined proposals

第 3 阶段：

    再次 refinement

    最终输出更精确的分类、边框和 mask

⚠️ 每阶段之间有 信息流交互（Mask Info Flow），帮助 mask 学习更好的上下文。

 7. 输出结果

    最终的：

        BBox：检测框

        Label：类别

        Mask：分割结果

    后处理：

        NMS（非极大值抑制）

        保留得分高的目标（如 score > 0.5）