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，最后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于該對象更加精確、全面的信息。

　　在什么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，那么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 算法。

　　Mask R-CNN 算法概述

Mask RCNN 算法架構

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

　　Faster-RCNN 是一個用于物體檢測的算法，它被分為兩個階段：第一階段被稱為「候選區域生成網絡」(RPN)，即生成候選物體的邊框;第二階段本質上是 Fast R-CNN 算法，即利用 RolPool 從每個候選邊框獲取對象特征，并執行分類和邊框回歸。這兩個階段所使用的特征可以共享，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，一個是分類標簽，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「全卷積神經網絡」(FCN)。

　　「全卷積神經網絡」是「語義分割」中十分常見的算法，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，然后在這種粒度水平下進行預測分類，最后使用向上采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「全卷積神經網絡」這兩個網絡合并起來，形成的一個龐大的網絡架構。

　　實操 Mask-RCNN

• 圖片測試

　　你可以利用 TensorFlow 網站上的共享代碼來對 Mask RCNN 進行圖片測試。以下是測試結果：

Mask RCNN on Kites Image

• 視頻測試

　　最有意思的是用 YouTube 視頻來測試這個模型。從 YouTube 上下載幾條視頻，開始了視頻測試。

　　視頻測試的主要步驟：

　　1. 使用 VideoFileClip 功能從視頻中提取出每個幀;

　　2. 使用 fl_image 功能對視頻中截取的每張圖片進行物體檢測，然后用修改后的視頻圖片替換原本的視頻圖片;

　　3. 最后，將修改后的視頻圖像合并成一個新的視頻。

　　Mask RCNN 的深入研究

　　下一步的探索包括：

• 測試一個精確度更高的模型，觀察兩次測試結果的區別;
• 使用 TensorFlow 的物體檢測 API 在定制的數據集上對 Mask RCNN 進行測試。

特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。