??????? 對(duì)于FCN-SceneParse網(wǎng)絡(luò)，最后卷積生成N個(gè)類別的maps,每個(gè)Map都得到圖像所有點(diǎn)的單類概率。MaskRCNN的結(jié)構(gòu)與FCN不相同。

?????? 參考三個(gè)文章：

?????? Detectron總結(jié)1：Blob的生成 和 generate proposal?

?????? Detectron總結(jié)2：前向生成數(shù)據(jù)標(biāo)簽的過程

?????? Detectron總結(jié)3：參數(shù)設(shè)置，直接打開cfg文件，找到train進(jìn)行設(shè)置

?????? Detectron總結(jié)4：Detectron測(cè)試流程（含Mask和KeyPoint）

??????

獲取多個(gè)Mask：

?????? 對(duì)于預(yù)測(cè)的二值掩膜輸出，我們對(duì)每個(gè)像素點(diǎn)應(yīng)用sigmoid函數(shù)，整體損失定義為平均二值交叉損失熵。 引入預(yù)測(cè)K個(gè)輸出的機(jī)制，允許每個(gè)類都生成獨(dú)立的掩膜，避免類間競(jìng)爭(zhēng)。這樣做解耦了掩膜和種類預(yù)測(cè)。不像是FCN的方法，在每個(gè)像素點(diǎn)上應(yīng)用softmax函數(shù)，整體采用的多任務(wù)交叉熵，這樣會(huì)導(dǎo)致類間競(jìng)爭(zhēng)，最終導(dǎo)致分割效果差。

????? 代碼段：

獲取每一個(gè)圖像Mask

def getMaskImg( mask,box,image ):imageMask = image.copy();for i in range(mask.shape[0]):for j in range(mask.shape[1]):if( mask[i,j]==0 ):#imageMask[i,j] = image[i,j]#mask[i,j] =254;imageMask[i,j,0]=0;imageMask[i,j,1]=0;imageMask[i,j,2]=0;x1 = int(box[0]);x2 = int(box[2]);y1 = int(box[1]);y2 = int(box[3]);imageMask = imageMask[y1:y2,x1:x2];return imageMask;

???

?

????

?

總結(jié)

以上是生活随笔為你收集整理的Detectron-MaskRCnn：Mask判别和获取前向Mask的标签的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。