论文阅读：Mask R-CNN

最新推荐文章于 2025-01-26 21:17:30 发布
原创 最新推荐文章于 2025-01-26 21:17:30 发布 · 566 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

Mask R-CNN在Faster R-CNN基础上增加分割支路，实现目标实例分割。论文提出Binary Loss防止类别竞争，Class-Agnostic Masks获取实例类别信息，RoIAlign提升分割精度等创新。

Mask R-CNN获得了ICCV 2017 best paper award (Marr prize)，下载地址：https://arxiv.org/abs/1703.06870

这篇文章的核心idea：给Faster R-CNN加入分割支路，使其可进行实例分割（instance segmentation）。idea虽然简单，但要想让其work，路上还有很多坑，解决这些坑的方案就构成了论文的创新点：

1、Binary loss: 用来防止语义分割的类别竞争。

2、Class-Agnostic masks: 实例的类别信息从RoI proposal的分类结果得到。

3、用RoIAlign替代RoIPool，使得分割结果与RoI proposal的空间位置对齐。RoIAlign是内插后划分成7x7，RoIWarp是外插后划分成7x7。

4、Mask Branch使用分辨率为28x28的FCN，卷积层的通道数为：
256 -> 256 -> 256 -> 256 -> 256 -> 80

5、使用基础网络ResNeXt-101-FPN最有效。

Mask R-CNN算法
小屁孩大帅-保密的博客
08-19 837
Mask R-CNN是2017年由Facebook AI Research(FAIR)提出的实例分割(Instance Segmentation)算法，基于Faster R-CNN改进而来，核心突破是在“目标检测”基础上新增“像素级分割”能力，能同时完成“目标定位、类别识别、实例掩码生成”三大任务，是计算机视觉领域实例分割的经典基准算法。一、核心定位：什么是实例分割？目标检测：仅输出目标的“边界框”和“类别”(如“这是一只猫，位置在(x1,y1,x2,y2)”)；语义分割。
Mask R-CNN
chenaxin的博客
10-25 548
https://arxiv.org/abs/1703.06870 摘要 我们提供了一个概念简单、灵活、通用的对象实例分割框架。我们的方法有效地检测图像中的目标，同时为每个实例生成高质量的分割掩模。该方法被称为Mask R-CNN，它扩展了Faster R-CNN，增加了一个用于预测对象蒙版的分支，与现有的用于边界盒识别的分支并行。Mask R-CNN是简单的训练，只增加一个小开销更快的R-CNN，运行在5帧每秒。此外，Mask R-CNN很容易推广到其他任务，例如，让我们在相同的框架下估计人体姿势。我们展示
mask r-cnn
09-21
Mask RCNN 是基于Kaiming 之前的工作 FPN (Feature Pyramid Network) 很形象地说就是用FPN产生的检测结果, 后面加了一个分割的网络. 文章中用到了 Top-Down + Bottom-Up 最近很流行的多层网络, 因为最开始Faster-RCNN只是在最后一层上面检测, 很容易丢掉小目标物体, 并且对细节遮挡也很不敏感. 最近的趋势就是结合多层 特征, 答主孔涛就很早发现了这个insight, 做出了HyperNet 并中了CVPR roal!!!作者：Oh233 链接：https://www.zhihu.com/question/57403701/answer/153060743 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 Mask R-CNN 这个结果确实很强，但要同时注意它主要是加上了许多（都是很有用的）engineering techniques 。 比如说 anchor 从 12 增加到了15个，图像 size 从600变成了800，还有ROI batch size变到了512，从FPN那篇paper来看，这些 better practice 会有对性能十分明显的提升 (table 3 baseline: AP=26.3 -> 31.6)。而我们组16年的coco分割竞赛冠军 ，Fully Convolutional Instance-aware Semantic Segmentation (FCIS)的代码昨晚终于开源了。限于计算资源，我们并没有加上这些改进。这些改进应该是比较 general 的，也会适用于 FCIS。欢迎大家试用一波。FCIS 提供了一种简单高效的框架去解决 instance segmentation 的问题。跟之前 COCO 2015 的冠军 MNC 相比，它的主要不同在于 mask estimation 和 detection 是共同做的，而不是先估计 mask 再做 detection。在 FCIS 中 detection/mask estimation 之间通过 inside/outside score map 互相影响，利用了这两个紧密相连 task 之间的共性。现在 release 版本基于支持多卡训练的MXNet，msracver/FCIS。实际上大概今年一月份我们就已经写出了外面可以使用的Caffe版本，但是当时官方 Caffe 只支持单卡做复杂任务的训练，对于COCO这种大规模数据集来说用单卡训练的话一下子几周的时间就过去了。考虑到大家用起来会非常蛋疼，最后还是决定没有release这个版本。
『算法学习』Mask-R-CNN
weixin_34034670的博客
10-07 560
一、Mask-RCNN流程 Mask R-CNN是一个实例分割（Instance segmentation）算法，通过增加不同的分支，可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务，灵活而强大。 Mask R-CNN进行目标检测与实例分割 Mask R-CNN进行人体姿态识别 其抽象架构如下： 首先，输入一幅你想处理的图片，然后进行对应的预处理操作...
第二十一周：Mask R-CNN
最新发布
m0_59510256的博客
01-26 972
本篇博客介绍了Mask R-CNN，这是一种用于实例分割的模型，能够在目标检测的基础上实现像素级分割。其核心思想是在Faster R-CNN框架中引入一个并行的Mask分支，同时完成目标检测（分类和边界框回归）和实例分割（像素级掩码生成）。针对Faster R-CNN中RoIPool导致的特征图与原始图像空间不对齐问题，Mask R-CNN提出了RoIAlign技术，通过双线性插值消除量化误差，显著提升了分割精度。此外，Mask分支采用全卷积网络（FCN）结构，能够高效地生成目标的二值掩码。
【第三十周】文献阅读：Mask R-CNN
qq_30043925的博客
01-18 1258
本周阅读了MaskR-CNN的论文。MaskR-CNN是一种扩展了FasterR-CNN的强大框架，专门用于实例分割任务。它首先通过RPN生成大量候选区域（RegionProposals），然后利用FPN提取多尺度特征图，增强对不同尺寸目标的检测能力。为了确保空间对齐的准确性，MaskR-CNN引入了RoIAlign层，替代了传统的RoIPool层，使用双线性插值避免量化误差，更精确地映射每个感兴趣区域（RoI）到固定的输出尺寸。
论文：Mask R-CNN
cztAI的博客
07-03 1152
论文：https://arxiv.org/abs/1703.06870 代码：原配、pytorch 1、pytorch 2 更多 目标检测 Faster R-CNN Faster R-CNN 包括两个阶段： 第一阶段：称为区域提议网络(RPN)，提出候选目标边界框。 第二阶段：本质上是Fast R-CNN，使用 RoIPool 从每个候选框中提取特征，并进行分类和边界框回归。 这两个阶段使用的特征可以共享，以更快地进行推断。 架构 Mask R-CNN 在概念上很简单：Faster R-CNN对每个
【论文精读】Mask R-CNN
weixin_44934783的博客
03-05 1748
Mask R-CNN
ECCV2020(Instance Segmentation)：BMask R-CNN-论文解读《Boundary-preserving Mask R-CNN》
要相信光
08-26 3002
文章目录原文地址论文阅读方法初识（Abstract & Introduction & Conclusion）相知（Body）2. Related Work3. Boundary-preserving Mask R-CNN3.1 Motivation3.2 Boundary-preserving Mask Head3.3 Learning and Optimization4. Experiments5. DiscussionsCoarse boundary annotation vs. pre
mask R-CNN论文
03-26
神经网络；CNN；R-CNN
何凯明开发的MASK R-CNN：源代码与论文
论文则详细介绍了MASK R-CNN的理论基础、模型结构、实验设计以及结果分析，是理解该模型不可或缺的材料。 在实际应用方面，MASK R-CNN广泛应用于自动驾驶、人机交互、视频监控、医疗图像分析等领域。它的高效性能...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值