mask rcnn算法原理图_什么是Mask R-CNN？Mask R-CNN的工作原理

编者按：发展至今，计算机视觉已经产生了不少令人惊叹的应用，但一提到它，人们首先想到的总是人脸检测、物品识别……除去已经发展得很成熟的人脸识别技术，我们难道只能用检测室内物品来练习技巧吗？作为一个极具工程价值的领域，也许大家应当扩张技术应用的广度，把它和现实场景结合起来，真正做一些更接地气的尝试。

本文旨在构建一个自定义Mask R-CNN模型，它可以检测汽车车身的损坏区域(如下图所示)。这背后的应用理念是，购买二手车时，消费者首先会关注车身刮擦情况，有了这个模型，他们足不出户就能大致了解车子情况，避免被坑。而对于日常生活中的小事故，如果用户只需上传图片就能完成车辆破损鉴定，保险公司的索赔效率也会大幅提高。

什么是Mask R-CNN？

Mask R-CNN是一个实例分割模型，它能确定图片中各个目标的位置和类别，给出像素级预测。所谓“实例分割”，指的是对场景内的每种兴趣对象进行分割，无论它们是否属于同一类别——比如模型可以从街景视频中识别车辆、人员等单个目标。下图是在COCO数据集上训练好的Mask R-CNN，如图所示，大到每一辆车，小到单根香蕉，它都能用窗口标出目标物品在画面中的像素位置。

不同于Faster R-CNN这样的经典对象检测模型，Mask R-CNN的一个特点是可以给窗口内表示对象轮廓的像素着色。可能有人会觉得这是个鸡肋功能，但它对自动驾驶汽车和机器人控制