|
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。
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？
「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
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：
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：
Mask RCNN 的深入研究下一步的探索包括：
|
- 關注天氣:
