MASK-RCNN阅读笔记

最新推荐文章于 2025-05-26 17:07:00 发布

lanyuxuan100

最新推荐文章于 2025-05-26 17:07:00 发布

阅读量1.1w

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Deep Learning instance-s mask-rcnn 文章标签：框架

本文链接：https://blog.youkuaiyun.com/lanyuxuan100/article/details/70807150

Mask R-CNN是Kaiming He等人为解决实例分割提出的框架，它在Faster R-CNN基础上增加掩码预测分支，通过RoIAlign改进空间定位准确性。文章介绍了Mask R-CNN的工作原理，包括RPN生成候选框、RoIPool处理和多任务损失函数，以及RoIAlign在提升掩码预测精度中的关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2017：Mask R-CNN - 扩展 Faster R-CNN 以用于像素级分割

背景

何凯明的这篇大作是想像Fast/Faster-RCNN，FCN做为检测任务与分割任务的基础框架那样，将MASK-RCNN做为实例分割的基础框架。
由于既要求检测出图像中的每个物体，又要求分割出每一个实例，这里有可能一类物体同时出现多个实例，这样就会使问题的难度增加，因此实例分割是一项非常有挑战性的任务。
本文的方法是在Faster R-CNN的基础上，增加一个预测分支，这个分支主要是在RoI上进行分割任务。与原来的分类与bounding box的回归任务平行。
掩码分支是一个小的FCN，对每一个ROI生成一个像素级别的掩码。
在给定Faster R-CNN的架构后，MASK-RCNN的实施训练非常简单，而且适用于很多灵活的架构。
另外这个掩码分支计算代价很小，保证了系统的实时性。

重要的一点Faster R-CNN不是像素到像素的网络结构，有力的证据就是ROI pool的时候，特征提取的空间量化比较粗糙。为了弥补这个缺陷，本文提出一种简单不必量化的层，RoIAlign，能够很好的保持空间位置信息。
虽然看起来改变很小，但是RoIAlign的作用确是巨大的：它提升了mask的准确率10%-50%，在严格的定位方面具有更大的优势；第二，本文发现将分类与分割分开是很有必要的。
本文给每一个类别预测一个二值的掩码，基于ROI分类的分支来预测所属类别。形成对比的是FCN，通常解决像素级别的多类分割任务，但是在实例分割中表现却一般。