大话目标检测经典模型：Mark R-CNN

时间 2019-11-06 标签大话目标检测经典模型 mark cnn

在以前的文章中介绍了目标检测经典模型（R-CNN、Fast R-CNN、Faster R-CNN），目标检测通常是为了实现如下效果：

在R-CNN、Fast R-CNN、Faster R-CNN中，实现了对目标的识别和定位，以下图所示：

为了更加精确地识别目标，实如今像素级场景中识别不一样目标，利用“图像分割”技术定位每一个目标的精确像素，以下图所示（精确分割出人、汽车、红绿灯等）：

Mask R-CNN即是这种“图像分割”的重要模型。算法

Mask R-CNN的思路很简洁，既然Faster R-CNN目标检测的效果很是好，每一个候选区域能输出种类标签和定位信息，那么就在Faster R-CNN的基础上再添加一个分支从而增长一个输出，即物体掩膜（object mask），也即由原来的两个任务（分类+回归）变为了三个任务（分类+回归+分割）。以下图所示，Mask R-CNN由两条分支组成：

Mask R-CNN的这两个分支是并行的，所以训练简单，仅比Faster R-CNN多了一点计算开销。
分类和定位在Faster R-CNN中有介绍过了（详见文章：大话目标检测经典模型RCNN、Fast RCNN、Faster RCNN），在此就再也不重复介绍，下面重点介绍一下第二条分支，即如何实现像素级的图像分割。网络

以下图所示，Mask R-CNN在Faster R-CNN中添加了一个全卷积网络的分支（图中白色部分），用于输出二进制mask，以说明给定像素是不是目标的一部分。所谓二进制mask，就是当像素属于目标的全部位置上时标识为1，其它位置标识为 0

从上图能够看出，二进制mask是基于特征图输出的，而原始图像通过一系列的卷积、池化以后，尺寸大小已发生了屡次变化，若是直接使用特征图输出的二进制mask来分割图像，那确定是不许的。这时就须要进行了修正，也即便用RoIAlign替换RoIPooling

如上图所示，原始图像尺寸大小是128x128，通过卷积网络以后的特征图变为尺寸大小变为 25x25。这时，若是想要圈出与原始图像中左上方15x15像素对应的区域，那么如何在特征图中选择相对应的像素呢？
从上面两张图能够看出，原始图像中的每一个像素对应于特征图的25/128像素，所以，要从原始图像中选择15x15像素，则只需在特征图中选择2.93x2.93像素（15x25/128=2.93），在RoIAlign中会使用双线性插值法准确获得2.93像素的内容，这样就能很大程度上，避免了错位问题。
修改后的网络结构以下图所示（黑色部分为原来的Faster R-CNN，红色部分为Mask R-CNN修改的部分）

从上图能够看出损失函数变为

损失函数为分类偏差+检测偏差+分割偏差，分类偏差和检测（回归）偏差是Faster R-CNN中的，分割偏差为Mask R-CNN中新加的。
对于每一个MxM大小的ROI区域，mask分支有KxMxM维的输出（K是指类别数量）。对于每个像素，都是用sigmod函数求二值交叉熵，也即对每一个像素都进行逻辑回归，获得平均的二值交叉熵偏差Lmask。经过引入预测K个输出的机制，容许每一个类都生成独立的mask，以免类间竞争，这样就能解耦mask和种类预测。
对于每个ROI区域，若是检测获得属于哪个分类，就只使用该类的交叉熵偏差进行计算，也即对于一个ROI区域中KxMxM的输出，真正有用的只是某个类别的MxM的输出。以下图所示：

例如目前有3个分类：猫、狗、人，检测获得当前ROI属于“人”这一类，那么所使用的Lmask为“人”这一分支的mask。框架

Mask R-CNN将这些二进制mask与来自Faster R-CNN的分类和边界框组合，便产生了惊人的图像精确分割，以下图所示：
分布式

Mask R-CNN是一个小巧、灵活的通用对象实例分割框架，它不只能够对图像中的目标进行检测，还能够对每个目标输出一个高质量的分割结果。另外，Mask R-CNN还易于泛化到其余任务，好比人物关键点检测，以下图所示：

从R-CNN、Fast R-CNN、Faster R-CNN到Mask R-CNN，每次进步不必定是跨越式的发展，这些进步其实是直观的且渐进的改进之路，可是它们的总和却带来了很是显著的效果。
最后，总结一下目标检测算法模型的发展历程，以下图所示：函数

墙裂建议oop

2017年，Kaiming He 等人发表了关于Mask R-CNN的经典论文《Mask R-CNN》，在论文中详细介绍了Mask R-CNN的思想、原理和测试效果，建议阅读该论文以进一步了解该模型。学习

关注本人公众号“大数据与人工智能Lab”（BigdataAILab），而后回复“论文”关键字可在线阅读经典论文的内容。测试

推荐相关阅读大数据