mask rcnn算法原理图_基于MASK RCNN算法实现瑕疵图像识别（训练模型及应用）

数据的准备其实是最花功夫和时间的，度过了上一个阶段后，就进入激动的模型训练阶段了，首先简要聊聊我对Mask RCNN算法的理解：

MaskRCNN是何凯明大神基于FastRCNN的改进，2018年初在tensorflow上实现了该模型算法。在原有FastRCNN的基础上，将ROIPooling部分调整为ROIAlign，同时增加mask值描述分类。我对整个Mask RCNN的理解如下：

MaskRCNN 是一种two stage图像检测方法，追求精度和识别效果，所谓two stage，就是说第一步先要对图像进行扫描，然后生成目标区域，认为里面有东西；第二部再进行图片分类以及生成界限框(矩形框rois)和mask。与yolo和视网膜等追求速度的one stage算法不一样。

下面一步一步说，first stage：

图像进来首先是卷积层：这是一个标准的残差网，代码使用的是ResNet101网络作为特征抽取器，前面的几层可以检测低层次的特征，比如边缘和边角，后面的层次可以检测一些高级特征，具体汽车、人、天空等等，通过这个backbone网络，图片会被提取出32*32的特征图 共计2048个。这些特征图会进入下一个stage

在残差网络生成特征的同时，FPN特征金字塔也能更好识别物体的多重尺度上的特征，它将不同层级的特征可以自由的传递。虽然最后一层的feature maps 语义强，但是位置和分辨率都比较低，容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps ，从而充分的利用了提取到的各个阶段