Mask R-CNN

论文:https://arxiv.org/abs/1703.06870.
代码:
https://github.com/facebookresearch/Detectron
Mask RCNN in TensorFlow:
https://github.com/CharlesShang/FastMaskRCNN
Python 3, Keras, and TensorFlow:
pytorch:https://github.com/facebookresearch/detectron2
该方法有效地检测图像中的对象,同时为每个实例生成高质量的分割蒙版。该方法称为“遮罩R-CNN”,它通过与现有的用于边界框识别的分支并行添加一个用于预测对象遮罩的分支,从而扩展了Faster R-CNN。掩码R-CNN易于训练,并且以5 fps的速度运行时,对Faster R-CNN的添加只增加了很小的开销。
在这里插入图片描述
在COCO测试集上Mask R-CNN结果。 这些结果基于ResNet-101 [19],实现了35.7的掩码AP,并以5 fps的速度运行。 蒙版显示为彩色,还显示边界框,类别和置信度。
在这里插入图片描述
在这里插入图片描述

  1. 遍历每一个候选区域,保持浮点数边界不做量化。
  2. 将候选区域分割成k x k个单元,每个单元的边界也不做量化。
  3. 在每个单元中计算固定四个坐标位置,用双线性内插的方法计算出这四个位置的值,然后进行最大池化操作。
    网络体系结构:为了演示我们方法的通用性,我们实例化具有多种体系结构的Mask R-CNN。为了清楚起见,我们区分为:
    (i)用于整个图像特征提取的卷积主干架构
    (ii)用于边界框识别(分类和回归)和蒙版预测的网络头,分别应用于每个感兴趣区域。
    在这里插入图片描述
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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