Tensorflow对象检测的Mask RCNN

实例分割

实例分段（Instance segmentation）是对象检测的扩展，其中二进制掩码（即对象与背景）与每个边界框相关联。这允许有关框内对象范围更细粒度的信息。

那么我们在哪些情况需要这种额外的粒度呢？很容易想到的例子有：

1）自驾车 - 可能需要确切知道在路上的其他车辆或者横穿马路的行人的位置

2）机器人系统 - 知道对象两部分的确切位置并结合起来，可能会使他表现得更好

有几种实现实例分段的算法，而Tensorflow对象检测API所使用的算法是Mask RCNN。

Mask RCNN

让我们先从Mask RCNN开始。

Mask RCNN架构

Faster RCNN是用于物体检测的算法。它由两个阶段组成。第一阶段称为RPN（Region Proposal Network），提出候选的对象边界框。第二阶段才是Fast R-CNN的实质，它使用RoIPool从每个候选框中提取特征，并执行分类和边界框回归。两个阶段使用的特征可以共享以加快推断速度。

Mask R-CNN的概念非常简单：Faster RCNN每个候选对象具有两个输出，一个类标签和一个边界框补偿；为此，我们添加了另一个阶段输出对象的mask，mask 是一个二进制掩码，用于指示对象位于边界框中的像素。于类和边界框输出不同的是，它需要提取对象更精细的空间布局。为此，Mask RCNN使用了Mask RCNN论文中的全卷积网络（FCN）。

全卷积网络架构

FCN是一种常用的语义分割算法。该模型使用各种卷积和最大池层，首先将图像解压缩至其原始大小的1/32。然后在这个粒度级别上进行类别预测。最后，它使用采样和去卷积层将图像调整到原始尺寸。

所以简而言之，我们可以说Mask RCNN将两个网络（Faster RCNN和FCN）结合在一个大型架构中。模型的损失函数是在进行分类、生成边界框和生成掩码时的总损失。

关于Mask RCNN的一些额外的改进（这使它比FCN更准确）可以阅读他们的论文。

实现

使用图像测试

要使用图像测试此模型，可以利用tensorflow共享的代码。我测试了他们最轻量级的模型 -  mask_rcnn_inception_v2_coco。只需下载模型并升级到tensorflow 1.5（升级很重要！）。示例结果如下：

在风筝图像上面具RCNN

代码链接：https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb

使用视频测试

更有趣的练习是在视频上运行目标检测模型。我用keepvid从YouTube上下载了几个视频。我很喜欢用于处理视频文件的moviepy。

主要步骤是：

• 使用VideoFileClip函数从视频中提取每个帧


• fl_image函数有一个非常棒的功能，它可以在得到图像后将其替换为修改后的图像。我用它来对从视频中提取的每个图像运行对象检测


• 将修改后的剪辑图像合并到一个新的视频中

其他

想要进一步探索此API：

• 尝试更精确、高负荷的对象检测模型，看看它们有多大的差异


• 使用API​​在自定义数据集上训练Mask RCNN

参考