DL之MaskR-CNN:Mask R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

DL之MaskR-CNN:Mask R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

 

 

 

目录

Mask R-CNN算法的简介(论文介绍)

0、实验结果

1、实例分割具有挑战性

2、Mask R-CNN算法的设计思路

Mask R-CNN算法的架构详解

Mask R-CNN算法的案例应用

1、Keras MaskRCNN案例实现


 

 

 

 

相关文章
CV之IS:计算机视觉之图像分割(Image Segmentation)算法的简介、使用方法、案例应用之详细攻略
DL之MaskR-CNN:Mask R-CNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之MaskR-CNN:Mask R-CNN算法的架构详解

Mask R-CNN算法的简介(论文介绍)

             Mask R-CNN是一种实例分割的方法。

Abstract  
      We present a conceptually simple, flexible, and general  framework for object instance segmentation. Our approach  efficiently detects objects in an image while simultaneously  generating a high-quality segmentation mask for each instance.  The method, called Mask R-CNN, extends Faster  R-CNN by adding a branch for predicting an object mask in  parallel with the existing branch for bounding box recognition.  Mask R-CNN is simple to train and adds only a small  overhead to Faster R-CNN, running at 5 fps. Moreover,  Mask R-CNN is easy to generalize to other tasks, e.g., allowing  us to estimate human poses in the same framework.  We show top results in all three tracks of the COCO suite  of challenges, including instance segmentation, boundingbox  object detection, and person keypoint detection. Without  bells and whistles, Mask R-CNN outperforms all existing,  single-model entries on every task, including the  COCO 2016 challenge winners. We hope our simple and  effective approach will serve as a solid baseline and help  ease future research in instance-level recognition. Code  has been made available at: https://github.com/  facebookresearch/Detectron.
      我们提出了一个概念简单、灵活和通用的对象实例分割框架。我们的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掩码。该方法称为Mask R-CNN,通过添加一个分支来预测一个对象掩码,与现有的用于边界框识别的分支并行,从而扩展了更快的R-CNN。Mask R-CNN训练简单,只增加了一个小开销到更快的R-CNN,运行在5帧每秒。此外,Mask R-CNN很容易推广到其他任务,例如,允许我们在相同的框架下估计人类的姿态。我们展示了COCO套件中所有三个方面的顶级结果,包括实例分割、边界框对象检测和人员关键点检测。没有华丽的点缀,Mask R-CNN在每个任务上都比所有现有的单模型条目表现得更好,包括COCO 2016挑战赛冠军。我们希望我们的简单而有效的方法将作为一个坚实的基线,并有助于简化未来在实例级识别方面的研究。代码已提供:https://github.com/facebookresearch /Detectron。

 

论文
Kaiming He Georgia GkioxariPiotr DollárRoss Girshick.
Mask R-CNN. ICCV, 2017
https://arxiv.org/abs/1703.06870

全部代码请移步到GitHub地址:https://github.com/matterport/Mask_RCNN

 

0、实验结果

1、实例分割掩码AP在COCO test-dev上

Instance segmentation mask AP on COCO test-dev

Mask R-CNN,采用ResNeXt-101-FPN骨干网络时,AP可以达到37.1,效果最好!

  

 

2、COCO目标检测结果

Object Detection Results on COCO
使用ResNet-101-FPN的Mask R-CNN优于所有先前最先进模型的基本变体。
Mask R-CNN using ResNet-101-FPN outperforms the base variants of all previous state-of-the-art models

使用ResNet-101-FPN在COCO 测试图像上Mask R-CNN,并以5 fps的速度运行,使用35.7 mask ap
Mask R-CNN on COCO test images, using ResNet-101-FPN and running at 5 fps, with 35.7 mask AP

被相同类别的对象包围——Surrounded by same-category objects

断开连接的对象——Disconnected objects,每个人完整的归为一类,即对非连接目标表现也是不错!

 

对于小目标,也能识别不错!

失败的样例:检测/分割
Failure: detection/segmentation

missing的地方指没有分割出来!

Failure: recognition

识别时候的错误,其实并不是kite风筝!

 

 

1、实例分割具有挑战性

实例分割具有挑战性,因为它需要正确检测图像中的目标,同时还要精确地分割每个实例。

 

2、Mask R-CNN算法的设计思路

 

 

 

Mask R-CNN算法的架构详解

更新……

 

 

 

 

 

 

Mask R-CNN算法的案例应用

更新……

Keras之Mask R-CNN:《极限挑战》第四季第2期助力高考—使用Mask R-CNN代替Photoshop抠图、颜色填充框出目标检测
DL之Mask R-CNN:2018.6.26世界杯阿根廷队VS尼日利亚比赛2:1实现Mask R-CNN目标检测

 

1、MaskRCNN案例实现

github:https://github.com/matterport/Mask_RCNN

 

2、Keras MaskRCNN案例实现

 

DL之MaskR-CNN:基于类MaskR-CNN算法(RetinaNet+mask head)利用数据集(resnet50_coco_v0.2.0.h5)实现图像分割
github:https://github.com/fizyr/keras-maskrcnn

      该存储库并未严格按照其论文中的描述实现MaskRCNN。 不同之处在于原作论文使用RPN来提出ROI,并使用这些
ROI同时执行边界框回归、分类和掩模估计。 相反,该存储库使用RetinaNet进行边界框回归和分类,并在这些预
测之上构建掩模估计头部(mask estimation head),相比原论文更简单一些!


 

 

 

 

相关文章
TensorFlow实战:Chapter-8上(Mask R-CNN介绍与实现)

 

 

一个处女座的程序猿 CSDN认证博客专家 华为杯研电赛一等 华为研数模一等奖 国内外AI竞十
人工智能硕博生,目前兼职国内外多家头部人工智能公司的AI技术顾问。拥有十多项发明专利(6项)和软件著作权(9项),多个国家级证书(2个国三级、3个国四级),先后获得国内外“人工智能算法”竞赛(包括国家级、省市级等,一等奖5项、二等奖4项、三等奖2项)相关证书十多个,以上均以第一作者身份,并拥有省市校级个人荣誉证书十多项。正在撰写《人工智算法最新实战》一书,目前已37万字。
已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 代码科技 设计师:Amelia_0503 返回首页
实付 29.90元
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、C币套餐、付费专栏及课程。

余额充值