圖普科技：如何用TensorFlow實現物體檢測的像素級分類

科技 04-19

TensorFlow 的「物體檢測 API」有了一個新功能，它能根據目標對象的像素位置來確定該對象的像素。換句話來說，TensorFlow 的物體檢測從原來的圖像級別成功上升到了像素級別。

使用 TensorFlow 的「物體檢測 API」圖片中的物體進行識別，最後的結果是圖片中一個個將不同物體框起來的方框。最近，這個「物體檢測 API」有了一個新功能，它能根據目標對象的像素位置確定該對象的像素，實現物體的像素分類。

TensorFlow 的物體檢測 API 模型——Mask-RCNN

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上獲取關於該對象更加精確、全面的信息。

在什麼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

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，那麼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 演算法。

Mask R-CNN 演算法概述

Mask RCNN 演算法架構

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

Faster-RCNN 是一個用於物體檢測的演算法，它被分為兩個階段：第一階段被稱為「候選區域生成網路」（RPN），即生成候選物體的邊框；第二階段本質上是 Fast R-CNN 演算法，即利用 RolPool 從每個候選邊框獲取對象特徵，並執行分類和邊框回歸。這兩個階段所使用的特徵可以共享，以更快地獲得圖像推算結果。

Faster R-CNN 對每個候選對象都有兩個輸出，一個是分類標籤，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「全卷積神經網路」（FCN）。

「全卷積神經網路」是「語義分割」中十分常見的演算法，它利用了不同區塊的卷積和池化層，首先將一張圖片解壓至它原本大小的三十二分之一，然後在這種粒度水平下進行預測分類，最後使用向上採樣和反卷積層將圖片還原到原來的尺寸。

因此，Mask RCNN 可以說是將?Faster RCNN 和「全卷積神經網路」這兩個網路合併起來，形成的一個龐大的網路架構。