先理解Mask R-CNN的工作原理，然後構建顏色填充器應用

上年 11 月，matterport 開源了 Mask R-CNN 實現，它在 GitHub 已 fork1400 次，被用於很多項目，同時也獲得了完善。作者將在本文中解釋 Mask R-CNN 的工作原理，並介紹了顏色填充器的應用案例和實現過程。

代碼（包括作者構建的數據集和已訓練的模型）：https://github.com/matterport/Mask_RCNN/tree/master/samples/balloon

什麼是實例分割？

實例分割是一種在像素層面識別目標輪廓的任務，相比其他相關任務，實例分割是較難解決的計算機視覺任務之一：

分類：這張圖像中有一個氣球。

語義分割：這些全是氣球像素。

目標檢測：這張圖像中的這些位置上有 7 個氣球。

實例分割：這些位置上有 7 個氣球，並且這些像素分別屬於每個氣球。

Mask R-CNN

Mask R-CNN 是一個兩階段的框架，第一個階段掃描圖像並生成提議（proposals，即有可能包含一個目標的區域），第二階段分類提議並生成邊界框和掩碼。Mask R-CNN 擴展自 Faster R-CNN，由同一作者在去年提出。Faster R-CNN 是一個流行的目標檢測框架，Mask R-CNN 將其擴展為實例分割框架。

Mask R-CNN 的主要構建模塊：

1. 主幹架構

主幹網路的簡化圖示

這是一個標準的卷積神經網路（通常來說是 ResNet50 和 ResNet101），作為特徵提取器。底層檢測的是低級特徵（邊緣和角等），較高層檢測的是更高級的特徵（汽車、人、天空等）。

經過主幹網路的前向傳播，圖像從 1024x1024x3（RGB）的張量被轉換成形狀為 32x32x2048 的特徵圖。該特徵圖將作為下一個階段的輸入。

代碼提示：主幹網路在 resnet_graph() 函數中。代碼支持 ResNet50 和 ResNet101。

特徵金字塔網路（FPN）

來源：Feature Pyramid Networks for Object Detection

上述的主幹網路還可以進一步提升。由 Mask R-CNN 的同一作者引入的特徵金字塔網路（FPN）是對該主幹網路的擴展，可以在多個尺度上更好地表徵目標。

FPN 通過添加第二個金字塔提升了標準特徵提取金字塔的性能，第二個金字塔可以從第一個金字塔選擇高級特徵並傳遞到底層上。通過這個過程，它允許每一級的特徵都可以和高級、低級特徵互相結合。

在我們的 Mask R-CNN 實現中使用的是 ResNet101+FPN 主幹網路。

代碼提示：FPN 在 MaskRCNN.build() 中創建，位於構建 ResNet 的部分之後。FPN 引入了額外的複雜度：在 FPN 中第二個金字塔擁有一個包含每一級特徵的特徵圖，而不是標準主幹中的單個主幹特徵圖（即第一個金字塔中的最高層）。選用哪一級的特徵是由目標的尺寸動態地確定的。

2. 區域建議網路（RPN）

展示 49 個 anchor box 的簡化圖示

RPN 是一個輕量的神經網路，它用滑動窗口來掃描圖像，並尋找存在目標的區域。

RPN 掃描的區域被稱為 anchor，這是在圖像區域上分布的矩形，如上圖所示。這只是一個簡化圖。實際上，在不同的尺寸和長寬比下，圖像上會有將近 20 萬個 anchor，並且它們互相重疊以儘可能地覆蓋圖像。

RPN 掃描這些 anchor 的速度有多快呢？非常快。滑動窗口是由 RPN 的卷積過程實現的，可以使用 GPU 並行地掃描所有區域。此外，RPN 並不會直接掃描圖像，而是掃描主幹特徵圖。這使得 RPN 可以有效地復用提取的特徵，並避免重複計算。通過這些優化手段，RPN 可以在 10ms 內完成掃描（根據引入 RPN 的 Faster R-CNN 論文中所述）。在 Mask R-CNN 中，我們通常使用的是更高解析度的圖像以及更多的 anchor，因此掃描過程可能會更久。

代碼提示：RPN 在 rpn_graph() 中創建。anchor 的尺度和長寬比由 config.py 中的 RPN_ANCHOR_SCALES 和 RPN_ANCHOR_RATIOS 控制。

RPN 為每個 anchor 生成兩個輸出：

anchor 類別：前景或背景（FG/BG）。前景類別意味著可能存在一個目標在 anchor box 中。

邊框精調：前景 anchor（或稱正 anchor）可能並沒有完美地位於目標的中心。因此，RPN 評估了 delta 輸出（x、y、寬、高的變化百分數）以精調 anchor box 來更好地擬合目標。

使用 RPN 的預測，我們可以選出最好地包含了目標的 anchor，並對其位置和尺寸進行精調。如果有多個 anchor 互相重疊，我們將保留擁有最高前景分數的 anchor，並捨棄餘下的（非極大值抑制）。然後我們就得到了最終的區域建議，並將其傳遞到下一個階段。

代碼提示：ProposalLayer 是一個自定義的 Keras 層，可以讀取 RPN 的輸出，選取最好的 anchor，並應用邊框精調。

3. ROI 分類器和邊界框回歸器

這個階段是在由 RPN 提出的 ROI 上運行的。正如 RPN 一樣，它為每個 ROI 生成了兩個輸出：

階段 2 的圖示。來源：Fast R-CNN

類別：ROI 中的目標的類別。和 RPN 不同（兩個類別，前景或背景），這個網路更深並且可以將區域分類為具體的類別（人、車、椅子等）。它還可以生成一個背景類別，然後就可以棄用 ROI 了。

邊框精調：和 RPN 的原理類似，它的目標是進一步精調邊框的位置和尺寸以將目標封裝。

代碼提示：分類器和邊框回歸器已在 fpn_classifier_graph() 中創建。

ROI 池化

在我們繼續之前，需要先解決一些問題。分類器並不能很好地處理多種輸入尺寸。它們通常只能處理固定的輸入尺寸。但是，由於 RPN 中的邊框精調步驟，ROI 框可以有不同的尺寸。因此，我們需要用 ROI 池化來解決這個問題。

圖中展示的特徵圖來自較底層。

ROI 池化是指裁剪出特徵圖的一部分，然後將其重新調整為固定的尺寸。這個過程實際上和裁剪圖片並將其縮放是相似的（在實現細節上有所不同）。

Mask R-CNN 的作者提出了一種方法 ROIAlign，在特徵圖的不同點採樣，並應用雙線性插值。在我們的實現中，為簡單起見，我們使用 TensorFlow 的 crop_and_resize 函數來實現這個過程。

代碼提示：ROI 池化在類 PyramidROIAlign 中實現。

4. 分割掩碼

到第 3 節為止，我們得到的正是一個用於目標檢測的 Faster R-CNN。而分割掩碼網路正是 Mask R-CNN 的論文引入的附加網路。

掩碼分支是一個卷積網路，取 ROI 分類器選擇的正區域為輸入，並生成它們的掩碼。其生成的掩碼是低解析度的：28x28 像素。但它們是由浮點數表示的軟掩碼，相對於二進位掩碼有更多的細節。掩碼的小尺寸屬性有助於保持掩碼分支網路的輕量性。在訓練過程中，我們將真實的掩碼縮小為 28x28 來計算損失函數，在推斷過程中，我們將預測的掩碼放大為 ROI 邊框的尺寸以給出最終的掩碼結果，每個目標有一個掩碼。

代碼提示：掩碼分支網路在 build_fpn_mask_graph() 中。

建立一個顏色填充過濾器

和大多數圖像編輯 app 中包含的過濾器不同，我們的過濾器更加智能一些：它能自動找到目標。當你希望把它應用到視頻上而不是圖像上時，這種技術更加有用。

訓練數據集

通常我會從尋找包含所需目標的公開數據集開始。但在這個案例中，我想向你展示這個項目的構建循環過程，因此我將介紹如何從零開始構建一個數據集。

我在 flickr 上搜索氣球圖片，並選取了 75 張圖片，將它們分成了訓練集和驗證集。找到圖片很容易，但標註階段才是困難的部分。

等等，我們不是需要數百萬張圖片來訓練深度學習模型嗎？實際上，有時候需要，有時候則不需要。我是考慮到以下兩點而顯著地減小了訓練集的規模：

首先，遷移學習。簡單來說，與其從零開始訓練一個新模型，我從已在 COCO 數據集（在 repo 中已提供下載）上訓練好的權重文件開始。雖然 COCO 數劇集不包含氣球類別，但它包含了大量其它圖像（約 12 萬張），因此訓練好的圖像已經包含了自然圖像中的大量常見特徵，這些特徵很有用。其次，由於這裡展示的應用案例很簡單，我並不需要令這個模型達到很高的準確率，很小的數據集就已足夠。

有很多工具可以用來標註圖像。由於其簡單性，我最終使用了 VIA（VGG 圖像標註器）。這是一個 HTML 文件，你可以下載並在瀏覽器中打開。標註最初幾張圖像時比較慢，不過一旦熟悉了用戶界面，就能達到一分鐘一個目標的速度。

VGG 圖像標註器工具的用戶界面

如果你不喜歡 VIA 工具，可以試試下列工具，我都測試過了：

LabelMe：最著名的標註工具之一，雖然其用戶界面有點慢，特別是縮放高清圖像時。

RectLabel：簡單易用，只在 Mac 可用。

LabelBox：對於大型標記項目很合適，提供不同類型標記任務的選項。

COCO UI：用於標註 COCO 數據集的工具。

載入數據集

分割掩碼的保存格式並沒有統一的標準。有些數據集中以 PNG 圖像保存，其它以多邊形點保存等。為了處理這些案例，在我們的實現中提供了一個 Dataset 類，你可以通過重寫幾個函數來讀取任意格式的圖像。

VIA 工具將標註保存為 JSON 文件，每個掩碼都是一系列多邊形點。

代碼提示：通過複製 coco.py 並按你的需要修改是應用新數據集的簡單方法，我將新的文件保存為 ballons.py。

我的 BalloonDataset 類是這樣定義的：

load_balloons 讀取 JSON 文件，提取標註，然後迭代地調用內部的 add_class 和 add_image 函數來構建數據集。

load_mask 通過畫出多邊形為圖像中的每個目標生成點陣圖掩碼。

image_reference 返回鑒別圖像的字元串結果，以進行調試。這裡返回的是圖像文件的路徑。

你可能已經注意到我的類不包含載入圖像或返回邊框的函數。基礎的 Dataset 類中默認的 load_image 函數可以用於載入圖像，邊框是通過掩碼動態地生成的。

驗證該數據集

為了驗證我的新代碼可以正確地實現，我添加了這個 Jupyter notebook：inspect_balloon_data.ipynb。它載入了數據集，並可視化了掩碼、邊框，還可視化了 anchor 來驗證 anchor 的大小是否擬合了目標大小。以下是一個 good example。

來自 inspect_balloon_data notebook 的樣本

代碼提示：為了創建這個 notebook 我複製了 inspect_data.ipynb（這是為 COCO 數據集寫的），然後修改了代碼的初始部分來載入 Balloons 數據集。

配置

這個項目的配置和訓練 COCO 數據集的基礎配置很相似，因此我只需要修改 3 個值。正如我對 Dataset 類所設置的，我複製了基礎的 Config 類，然後添加了我的覆寫：

基礎的配置使用的是 1024x1024 px 的輸入圖像尺寸以獲得最高的準確率。我保持了相同的配置，雖然圖像相對較小，但模型可以自動地將它們重新縮放。

代碼提示：基礎的 Config 類在 config.py 中，BalloonConfig 在 balloons.py 中。

訓練

Mask R-CNN 是一個規模很大的模型。尤其是在我們的實現中使用了 ResNet101 和 FPN，因此你需要一個 12GB 顯存的 GPU 才能訓練這個模型。我使用的是 Amazon P2 實例來訓練這個模型，在小規模的數據集上，訓練時間不到 1 個小時。

用以下命令開始訓練，以從 balloon 的目錄開始運行。這裡，我們需要指出訓練過程應該從預訓練的 COCO 權重開始。代碼將從我們的 repo 中自動下載權重。

如果訓練停止了，用以下命令讓訓練繼續：

代碼提示：除了 balloon.py 以外，該 repo 還有兩個例子：train_shapes.ipynb，它訓練了一個小規模模型來檢測幾何形狀；coco.py，它是在 COCO 數據集上訓練的。

檢查結果

inspect_balloon_model notebook 展示了由訓練好的模型生成的結果。查看該 notebook 可以獲得更多的可視化選項，並一步一步檢查檢測流程。

代碼提示：這個 notebook 是 inspect_model.ipynb 的簡化版本，包含可視化選項和對 COCO 數據集代碼的調試。

顏色填充

現在我們已經得到了目標掩碼，讓我們將它們應用於顏色填充效果。方法很簡單：創建一個圖像的灰度版本，然後在目標掩碼區域，將原始圖像的顏色像素複製上去。以下是一個 good example：

代碼提示：應用填充效果的代碼在 color_splash() 函數中。detect_and_color_splash() 可以實現載入圖像、運行實例分割和應用顏色填充過濾器的完整流程。

FAQ 環節

Q：我希望了解更多該實現的細節，有什麼可讀的？

A：按這個順序閱讀論文：RCNN、Fast RCNN、Faster RCNN、FPN、Mask RCNN。

Q：我能在哪裡提更多的問題？

A：我們的 repo 的 Issue 頁面：https://github.com/matterport/Mask_RCNN/issues

原文鏈接：https://engineering.matterport.com/splash-of-color-instance-segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！