论文阅读笔记(五)——利用增强掩模R-CNN实例分割方法从图像中提取个体牛的轮廓

Contour Extraction of Individual Cattle From an Image Using Enhanced Mask R-CNN Instance Segmentation Method

简介

Abstract

在畜牧业中，个体牛的可追溯性、它们的健康信息和性能记录在很大程度上依赖于计算机视觉和基于图像处理的方法。然而，其中一些方法在获取单个牛的实时信息方面的表现低于预期。毫无疑问，不准确的分割和不完整的提取每个牛的目标从图像是显著的因素。由于准确的分割是获取奶牛个体实时信息的前提，而Mask R-CNN算法依赖于同步定位与映射(SLAM)算法，因此在构建语义地图时，有时会以图像背景交换前景，需要增强现有的实现精确畜牧业的方法。为此，提出了一种增强的Mask R-CNN实例分割方法，以支持边界模糊和形状不规则的牛体。研究中采用的方法有以下几点:(1)利用广义颜色傅里叶描述子(GCFD)对图像进行预处理;(2)提供小于ResNet101 (Mask R-CNN的主干)的最优滤波器尺寸，用于提取更小的复合特征;(3)基于区域建议的多尺度语义特征利用;(4)现有Mask R-CNN的全连接层与子网络集成进行增强分割，(5)使用Grabcut对图像进行后增强。与其他先进的方法相比，在牛图像数据集上的实验取得了更好的结果，mAP值为0.93。

论文创新点

• 利用广义颜色傅里叶描述子(GCFD)对图像进行预处理;
• 提供小于ResNet1