论文笔记：Mask R-CNN

最新推荐文章于 2024-02-06 17:28:38 发布
最新推荐文章于 2024-02-06 17:28:38 发布
阅读量224 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： 目标检测 实例分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39952791/article/details/101713074
本文深入探讨了Mask R-CNN的原理与应用，这是一种在ICCV2017上获得最佳论文奖的实例分割网络，它能以像素级精度分割不同个体。文章详细介绍了其两阶段方法，包括区域建议网络RPN、RoIAlign技术以及分类、边框预测和mask预测的具体实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文笔记：Mask R-CNN

1.简介

MASK RCNN是ICCV 2017 best paper。这篇文章提出了一个二阶段的实例分割网络，能以像素级精度分割出每一个不同的个体。

2.设计思路

这是一个两阶段的方法，第一阶段通过RPN网络提出一些可能的区域，第二阶段在每一个区域里面进行分类和回归，对于每一个区域都得到一个分类结果、一组边框offset和K个mask（K为总的类别数），第二阶段的三个任务同时进行，最后只取与类别对应的mask作为最终的mask。

3.具体实现方法

3.1网络结构

网络分为backbone和head两部分，分别完成region proposal和分类+边框预测+mask预测。backbone采用resnet-50-C4或者FPN，head使用全卷积神经网络。
在这里插入图片描述

3.2 RoIAlign

不同于faster rcnn使用的RoIPooling，RoIAlign通过双线性差值的方法找RoI对应的区域，避免了量化（使用取整函数）过程中造成的边界误差。

3.3 损失函数

L=Lcls+Lbox+LmaskL = L{cls} + L{box} + L{mask}L=Lcls+Lbox+Lmask
其中LmaskL{mask}Lmask只计算对应类别的loss。

计算机视觉系列-轻松掌握 MMDetection 中常用算法 ：Faster R-CNN|Mask R-CNN(一)
大模型与Agent智能体
06-06 531
计算机视觉系列-轻松掌握 MMDetection 中常用算法(二)：Faster R-CNN|Mask R-CNN 本文学习 two-stage 算法 Faster R-CNN 以及改进版 Mask R-CNN论文链接：https://arxiv.org/abs/1506.01497Faster R-CNN：使用区域提议网络实现实时目标检测最先进的目标检测网络依赖于区域建议算法来假设目标的位置，Fast R-CNN等技术缩短了检测网络的运行时间，区域提议的计算成为检测网络的瓶颈。在这项工作中，我们引入了一个
【Mask RCNN】Mask RCNN论文笔记
OneCoder的博客
08-22 1084
Mask RCNN是大神Kaiming He的一大神作。 1、概述 Mask RCNN主要是再Faster RCNN上进行了一些调整（将RoIpooling层替换为了RoIAlign层），并且在RoIAlign后增加了一个进行instance segmentation的分支。 图片来源 上图展示了一个Mask RCNN的网络结构，用RoIAlign来代替RoIpooling部分，并且在分...
常用损失函数介绍
qq_38675397的博客
05-29 761
转载于:https://blog.csdn.net/Tianlock/article/details/88232467#L1L2_5 损失函数是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负值函数，通常用L(Y,f(x))来表示，损失函数越小，模型的鲁棒性越好。损失函数是经验风险函数的核心部分，也是结构风险函数的重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子： ...
Mask-RCNN中的损失函数
lanyuxuan100的博客
05-03 1万+
对每个ROI来说，多任务损失函数如下：mask分支对于每个RoI有Km2 维度的输出。K个（类别数）分辨率为m*m的二值mask。 因此作者利用了a per-pixel sigmoid，并且定义 Lmask 为平均二值交叉熵损失（the average binary cross-entropy loss）. 对于一个属于第k个类别的RoI， Lmask 仅仅考虑第k个mask（其他的掩模输入
pytorch----retinaface(三种损失使用的函数)
qq_42242829的博客
04-12 2185
pytorch----retinaface(三种损失使用的函数) retinaface损失函数定义： （1）L(cls)(面分类损失): #计算交叉熵 loss_c = F.cross_entropy(conf_p, targets_weighted, reduction='sum') 1、交叉熵的公式： 其中P为真实值，Q为预测值。 2、计算交叉熵的步骤： 1)步骤说明： ①将predic...
损失函数(loss function)
05-24 2450
通常而言，损失函数由损失项(loss term)和正则项(regularization term)组成。发现一份不错的介绍资料： http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf （题名“Loss functions; a unifying view”）。
论文：Mask R-CNN 阅读笔记
weixin_42717395的博客
10-18 514
Mask R-CNN 目录 Mask R-CNN 1 概述 2 模型设计 3 模型损失函数设计 4 模型的训练细节 5 模型实验 6 人体关键点检测 7 模型的性能指标 1 概述 基于Fast/Faster R-CNN、FCN的基础网络，迅速推动了目标检测和语义分割的发展。实例分割是具有挑战性的，因为它需要正确地检测到所有物体，并且对每一个实例进行精确的分割。我们的方法叫做M...
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
最新发布
weixin_62371528的博客
02-06 1732
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
Mask R-CNN 论文学习笔记
weixin_43179892的博客
09-16 320
论文基本信息 标题：Mask R-CNN 作者：Kaiming He Georgia Gkioxari Piotr Dollár Ross Girshick 机构：Facebook AI Research (FAIR) 来源：ICCV 时间：2017 论文地址：https://arxiv.org/abs/1703.06870 代码地址:https://github.com/facebookresearch/Detectron 论文概要 解决问题 本文在Faster RCNN上进行了改进，提出了Mask
深度理解yolov3损失函数
sunnygirl's house
05-14 1万+
深度理解yolov3损失函数 在yolov3中，loss分为三个部分： 一个是xywh部分带来的误差，也就是bbox带来的loss 一个是置信度带来的误差，也就是obj带来的loss 最后一个是类别带来的误差，也就是class带来的loss 在代码中分别对应lbox,lobj,lcls，yolov3中使用的loss公式如下： 其中： S:代表grid size，代表13×13,26×26,52×52 B：box ：如果在i,j处的box有目标，其值为1...
交叉熵损失函数详解
journey_fan的专栏
03-23 1万+
交叉熵损失函数 说到交叉熵损失函数（Cross Entropy Loss），就想到公式：L=−[ylogy^+(1−y)log(1−y^)]L=-[ylog \hat y + (1-y)log(1- \hat y)]L=−[ylogy^​+(1−y)log(1−y^​)] 大多数情况下，这个交叉熵函数直接拿来用即可，但是知其然还要知其所以然，关于它是怎么推导而来的，为什么它能表征真实样本标签和预测...
实例分割--Mask RCNN详解（ROI Align / Loss Fun）
热门推荐
qinghuaci666的博客
07-03 5万+
1 总结架构与主要思想未完待续。。。
YOLOv5-4.0-loss.py 源代码导读(损失函数）
weixin_42716570的博客
05-13 7478
YOLOv5介绍 YOLOv5为兼顾速度与性能的目标检测算法。笔者将在近期更新一系列YOLOv5的代码导读博客。YOLOv5为2021.1.5日发布的4.0版本。 YOLOv5开源项目github网址 源代码导读汇总网址 本博客导读的代码为utils文件夹下的，取自1.27日更新的版本。 ...
论文笔记：TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents
weixin_39952791的博客
09-27 3185
论文笔记：TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents 摘要 这是百度在AAAI2019发布的一篇文章。这篇文章提出了一种基于4D-graph的方法实现复杂场景下的轨迹预测，研究对象包含行人、机动车和自行车。 实现方法 本文提出了一个基于LSTM的算法，名为 TrafficPredict 。构建了一个4...
论文笔记：Tracking without bells and whistles
weixin_39952791的博客
10-28 991
论文笔记：Tracking without bells and whistles 简介 这是ICCV2019的一篇多目标跟踪的文章。文中指出以往的tracking by detection的方法过程有点冗杂，明明可以通过回归直接预测某个物体在下一帧的位置却偏要搞一堆bells and whistles（花里胡哨），两年过去了指标也就提高了2.4%。于是本文直接提出了一个新的MOT思路，直接用上一帧...
论文笔记：MOTDT
weixin_39952791的博客
10-13 784
论文笔记：REAL-TIME MULTIPLE PEOPLE TRACKING WITH DEEPLY LEARNED CANDIDATE SELECTION AND PERSON RE-IDENTIFICATION 1.简介 这是ICME2018的一篇多目标跟踪的文章。文章提出了一个新的同时将跟踪的预测结果和检测的结果同时作为跟踪候选的一种行人多目标跟踪方法。基于这样的方法，既可以用检测的结果帮...
论文笔记：Multi-Object Tracking with Multiple Cues and Switcher-Aware Classification(LSST)
weixin_39952791的博客
10-19 621
论文笔记：Multi-Object Tracking with Multiple Cues and Switcher-Aware Classification(LSST) 简介 这是一篇arxiv上的文章，文中提出了一个新的多目标跟踪框架，并且跟踪的指标当时在MOT17上排名第一，即使在11个月后的现在，这个算法依然排名第三（第一第二都没有论文介绍相应的算法）。唯一遗憾的是，这个算法难以达到实时性...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
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、付费专栏及课程。

余额充值