DL之MaskR-CNN：Mask R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

?

目錄

Mask R-CNN算法的簡介(論文介紹)

0、實驗結果

1、實例分割具有挑戰性

2、Mask R-CNN算法的設計思路

Mask R-CNN算法的架構詳解

Mask R-CNN算法的案例應用

1、Keras MaskRCNN案例實現

---

?

?

?

?

相關文章
CV之IS：計算機視覺之圖像分割(Image Segmentation)算法的簡介、使用方法、案例應用之詳細攻略
DL之MaskR-CNN：Mask R-CNN算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之MaskR-CNN：Mask R-CNN算法的架構詳解

Mask R-CNN算法的簡介(論文介紹)

? ? ? ? ? ? ?Mask R-CNN是一種實例分割的方法。

Abstract ?
? ? ? We present a conceptually simple, flexible, and general ?framework for object instance segmentation. Our approach ?efficiently detects objects in an image while simultaneously ?generating a high-quality segmentation mask for each instance. ?The method, called Mask R-CNN, extends Faster ?R-CNN by adding a branch for predicting an object mask in ?parallel with the existing branch for bounding box recognition. ?Mask R-CNN is simple to train and adds only a small ?overhead to Faster R-CNN, running at 5 fps. Moreover, ?Mask R-CNN is easy to generalize to other tasks, e.g., allowing ?us to estimate human poses in the same framework. ?We show top results in all three tracks of the COCO suite ?of challenges, including instance segmentation, boundingbox ?object detection, and person keypoint detection. Without ?bells and whistles, Mask R-CNN outperforms all existing, ?single-model entries on every task, including the ?COCO 2016 challenge winners. We hope our simple and ?effective approach will serve as a solid baseline and help ?ease future research in instance-level recognition. Code ?has been made available at: https://github.com/ ?facebookresearch/Detectron.
? ? ? 我們提出了一個概念簡單、靈活和通用的對象實例分割框架。我們的方法有效地檢測圖像中的對象，同時為每個實例生成高質量的分割掩碼。該方法稱為Mask R-CNN，通過添加一個分支來預測一個對象掩碼，與現有的用于邊界框識別的分支并行，從而擴展了更快的R-CNN。Mask R-CNN訓練簡單，只增加了一個小開銷到更快的R-CNN，運行在5幀每秒。此外，Mask R-CNN很容易推廣到其他任務，例如，允許我們在相同的框架下估計人類的姿態。我們展示了COCO套件中所有三個方面的頂級結果，包括實例分割、邊界框對象檢測和人員關鍵點檢測。沒有華麗的點綴，Mask R-CNN在每個任務上都比所有現有的單模型條目表現得更好，包括COCO 2016挑戰賽冠軍。我們希望我們的簡單而有效的方法將作為一個堅實的基線，并有助于簡化未來在實例級識別方面的研究。代碼已提供:https://github.com/facebookresearch /Detectron。

?

論文
Kaiming He Georgia GkioxariPiotr DollárRoss Girshick.
Mask R-CNN. ICCV, 2017
https://arxiv.org/abs/1703.06870

全部代碼請移步到GitHub地址：https://github.com/matterport/Mask_RCNN

?

0、實驗結果

1、實例分割掩碼AP在COCO test-dev上

Instance segmentation mask AP on COCO test-dev Mask R-CNN，采用ResNeXt-101-FPN骨干網絡時，AP可以達到37.1，效果最好！
?	?

?

2、COCO目標檢測結果

Object Detection Results on COCO 使用ResNet-101-FPN的Mask R-CNN優于所有先前最先進模型的基本變體。 Mask R-CNN using ResNet-101-FPN outperforms the base variants of all previous state-of-the-art models
使用ResNet-101-FPN在COCO 測試圖像上Mask R-CNN，并以5 fps的速度運行，使用35.7 mask ap Mask R-CNN on COCO test images, using ResNet-101-FPN and running at 5 fps, with 35.7 mask AP 被相同類別的對象包圍——Surrounded by same-category objects
斷開連接的對象——Disconnected objects，每個人完整的歸為一類，即對非連接目標表現也是不錯！	?
對于小目標，也能識別不錯！
失敗的樣例：檢測/分割 Failure: detection/segmentation missing的地方指沒有分割出來！
Failure: recognition 識別時候的錯誤，其實并不是kite風箏！

?

?

1、實例分割具有挑戰性

實例分割具有挑戰性，因為它需要正確檢測圖像中的目標，同時還要精確地分割每個實例。

?

2、Mask R-CNN算法的設計思路

?

?

?

Mask R-CNN算法的架構詳解

更新……

?

?

?

?

?

?

Mask R-CNN算法的案例應用

更新……

Keras之Mask R-CNN:《極限挑戰》第四季第2期助力高考—使用Mask R-CNN代替Photoshop摳圖、顏色填充框出目標檢測
DL之Mask R-CNN：2018.6.26世界杯阿根廷隊VS尼日利亞比賽2:1實現Mask R-CNN目標檢測

?

1、MaskRCNN案例實現

github：https://github.com/matterport/Mask_RCNN

?

2、Keras MaskRCNN案例實現

?

DL之MaskR-CNN：基于類MaskR-CNN算法(RetinaNet+mask head)利用數據集(resnet50_coco_v0.2.0.h5)實現圖像分割
github：https://github.com/fizyr/keras-maskrcnn

? ? ? 該存儲庫并未嚴格按照其論文中的描述實現MaskRCNN。 不同之處在于原作論文使用RPN來提出ROI，并使用這些
ROI同時執行邊界框回歸、分類和掩模估計。 相反，該存儲庫使用RetinaNet進行邊界框回歸和分類，并在這些預
測之上構建掩模估計頭部(mask estimation head)，相比原論文更簡單一些！

?

?

?

?

相關文章
TensorFlow實戰：Chapter-8上(Mask R-CNN介紹與實現)

?

?

總結

以上是生活随笔為你收集整理的DL之MaskR-CNN：Mask R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。