Mask R-CNN(目標檢測語義分割)測試

Mask R-CNN(目標檢測，語義分割)測試

Kaiming He的大作Mask R-CNN(https://arxiv.org/pdf/1703.06870.pdf)已經放出來一段時間了，最近才有空進行代碼學習和編譯。

圖像目標檢測是圖像識別的核心任務之一，之前就對這以方面進行總結和測試(http://blog.csdn.net/sparkexpert/article/details/71642431)。

從上面的圖可以看出，Mask R-CNN與是在Faster R-CNN之上的擴展，在每個興趣點(Region of Interest，RoI)上加一個用于預測分割掩碼的分層，稱為掩碼層(mask branch)，能夠有效地檢測圖像中的目標，同時還能為每個實例生成一個高質量的分割掩碼(segmentation mask)。就相當于多任務學習，掩碼層只給整個系統增加一小部分計算量，所以該方法運行起來非常高效，重要的是能夠同時得到目標檢測和實例分割的結果。

在COCO測試中可以看到，Mask R-CNN 在實例分割、邊界框目標檢測和人物關鍵點檢測這三個難點上都獲得了較好的實驗效果，并且比每個現有的獨立模型，包括 COCO 2016 挑戰賽的獲勝模型，表現都要好。

下面進行測試(編譯過程如下圖所示)：

第一個測試：發現結果相當好，手提包，消防水泵，包括車輛里面的人都被分割出來。

第2個測試：對近距離的分割檢測結果也不錯，遠距離的目前還是業界難點。

第3個測試：對這種室內場景的檢測，效果也算不錯的。旁邊出來了個dining table，把臺燈看出桌子了。

第4個測試：客廳的檢測，效果還不錯，連假花都標出來了。

第5個測試：車站候車廳檢測，也是近的可以，遠的不行。

Mask R-CNN(目標檢測語義分割)測試相關教程

總結

以上是生活随笔為你收集整理的准确度判断 语义分割_Mask R-CNN（目标检测语义分割）测试的全部內容，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。