代码详解：用Mask R-CNN赋予自动驾驶汽车“火眼金睛”

全文共6625字，预计学习时长13分钟或更长

划重点！！！本文主要内容：

· Mask R-CNN是一种先进的算法框架，用于解决图像分割问题

· 本文将采用逐步推进、层层推进的方式来剖析Mask R-CNN的工作原理

· 本文还将探析如何用Python实现Mask R-CNN及其在图像处理的运用

图片来源：unsplash.com/@mcnoble

自动驾驶系统所囊括的计算机视觉技术复杂巧妙，种类繁多，在数据科学家眼中，这种复杂性与混合性堪比梦中天籁，引人入胜。

因此，笔者开始研究这一系统，试图理解自动驾驶赋予汽车的这双“火眼金睛”的背后，究竟隐藏着何等玄机。仅凭一个物体检测框架可能行不通，因为它仅能识别对象，并用某种固定的形状将其标出。

然而若运用于现实中，这种方法风险很大。试想，倘若前方有一处急转弯，系统只在道路上给出一个矩形标识，这样以来车辆很有可能判断不出是该避让还是径直上前，车祸一触即发！

因此，对新技术的诉求应运而生，该技术须能识别具体路况，以指引车辆顺利过弯。

到底什么样的黑科技能够满足这一需求呢—— Mask R-CNN闪亮登场！

本文将简要阐释何为图像分割，并以此引入全文的核心主角—— Mask R-CNN算法框架。最后本文将探析如何用Python实现Mask R-CNN框架。

目录

1. 图像分割概览

2. 剖析Mask R-CNN

3. 实现Mask R-CNN的步骤

4. 实现Mask R-CNN

1. 图像分割概览

让我们先来简单回顾一下图像分割：图像分割即为图片的每个对象创建一个像素级的掩膜，该技术可使大家对图像中的对象有更深入的了解。下图将助你理解何为图像分割。

如图所示，每个对象（即该图中的每个单元）已彼此分离，这就是图像分割的工作原理。

图像分割可分为两种，语义分割与实例分割，具体实例详见下文。

左图五个对象均为人，因此语义分割会将这五个对象视为一个整体。而右图同样也有五个对象（亦均为人），但同一类别的不同对象在此被视为不同的实例，这就是实例分割。

2. 剖析Mask-CNN

Mask R-CNN可算作是Faster R-CNN的升级版。Faster R-CNN广泛用于对象检测。对于给定图像，它会给图中每个对象加上类别标签与边界框坐标。如果你输入下图：

 

Fast R-CNN将会返回如下结果