- segmentaion mask:分割掩模。 图像掩模的概念为用选定的图像、图形或物体,对待处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。用于覆盖的特定图像或物体称为掩模或模板。图像掩模主要用于:①提取感兴趣区,用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。即相当于特征的功能。
Mask R-CNN
简介
它是一种目标实例分割框架,实例分割即是语义分割,也是目标检测,因此它能有效检测出图像中的目标,并同时为每一个实例生成高质量的分割掩模.
相关方法
R-CNN:通过找到一定数量的候选目标区域(RoI),并且在每个RoI上单独执行CNN来进行边框目标检测。
Fast R-CNN:使用RoIPool在特征图上选取Rols
Faster R-CNN:使用RPN学习注意机制产生候选框。Faster R-CNN的思路为使用RPN(其baseline为FPN(Feature Pyramid Networks):特征金字塔网络)提出候选目标边框,然后使用RolPool从每个候选框中提取特征,并进行分类和边框回归。
实现方法
在Faster R-CNN的基础上,通过添加一个与现有边框识别(包括分类和边框回归)分支并行的,用于预测目标掩模的分支。掩模分支为作用于每个感兴趣区域(RoI)的小全卷积神经网络(FCN),以像素到像素的方式进行预测。分类最终取决于掩模的类别,分类输出类标签,计算损失函数,但是掩模分支生成了K个掩模,在边框中挨个去试,因此也叫解耦掩模和类预测。但测试时根据类预测,只试对应的那一个掩模。推理流程
RPN(Region Proposal Network):提出候选目标边框(RoL)
RolAlign:从每个候选框中提取特征,并进行分类和回归。且并行为每一个RoL输出一个二进制掩模。
Loss Function:L=Lcls+Lbox+Lmask
基于Faster R-CNN的改进
网络输入和输出之间的像素不对齐:将特征提取方法RoIPool改为RolAlign。RolAlign的过程为:
1:避免对Rol边界或块进行量化
2:选取每个Rol分块中的四个常规位置,使用双线性插值来计算每个位置的精确值
3:使用最大或平均池化对结果汇总
解耦掩模和类预测,使AP提高:在没有类间竞争的情况下,为每个类独立的预测二进制掩模,并且依赖于网络的Rol分类分支来预测类别。
为了不会产生类间竞争:损失函数定义为sigmoid(二值分类,掩模只需要二值,要么背景,要么目标,所以可以多个点均为目标,大家都可以为1,所以不存在类间竞争),Lmask定义为平均二进制交叉熵损失,而不是softmax和多项式交叉熵损失。(而softmax为多分类,只选出最大的一个点,自然类间竞争,但是人体关键点只需要检测一个,不需要检测一大片。)
Mask R-CNN用于人体姿势估计
目标:预测K个掩模(只有一个像素被标记为前景),每个对应K种关键点类型之一(比如左肩,右肘)
建模:将K个关键点的位置建模为one-hot掩模
损失函数定义为softmax输出上的交叉熵函数(驱使一个点被检测到)
Mask R-CNN
最新推荐文章于 2023-09-09 10:30:13 发布
Mask R-CNN是一种目标实例分割框架,结合目标检测和语义分割,能为每个实例生成分割掩模。它从R-CNN系列演进而来,通过RPN提出候选框,使用RoIAlign提取特征,再进行分类、边框回归和掩模预测。在Faster R-CNN基础上,Mask R-CNN引入了解耦掩模和类预测,解决像素对齐问题,并用sigmoid损失函数避免类间竞争。
摘要由CSDN通过智能技术生成