實例分割

「實例分割」是物體檢測的延伸，它能讓我們在普通的物體檢測的基礎(chǔ)上獲取關(guān)于該對象更加精確、全面的信息。

在什么情況下我們才需要這樣精確的信息呢？

• 無人駕駛汽車

  為了確保安全，無人駕駛汽車需要精確定位道路上其他車輛和行人。

• 機器人系統(tǒng)

  機器人在連接兩個部件時，如果知道這兩個部件的確切位置，那么機器人的操作就會更加高效、準確。

「實例分割」的方法有很多，TensorFlow 進行「實例分割」使用的是 Mask RCNN 算法。

Mask R-CNN 算法概述

Mask RCNN 算法架構(gòu)

在介紹 Mask RCNN 之前，我們先來認識一下 Faster R-CNN。

Faster-RCNN 是一個用于物體檢測的算法，它被分為兩個階段：第一階段被稱為「候選區(qū)域生成網(wǎng)絡」（RPN），即生成候選物體的邊框；第二階段本質(zhì)上是 Fast R-CNN 算法，即利用 RolPool 從每個候選邊框獲取對象特征，并執(zhí)行分類和邊框回歸。這兩個階段所使用的特征可以共享，以更快地獲得圖像推算結(jié)果。

Faster R-CNN 對每個候選對象都有兩個輸出，一個是分類標簽，另一個是對象邊框。而 Mask-RCNN 就是在 Faster R-CNN 的兩個輸出的基礎(chǔ)上，添加一個掩碼的輸出，該掩碼是一個表示對象在邊框中像素的二元掩碼。但是這個新添加的掩碼輸出與原來的分類和邊框輸出不同，它需要物體更加精細的空間布局和位置信息。因此，Mask R-CNN 需要使用「全卷積神經(jīng)網(wǎng)絡」（FCN）。