/tags/dl/Recent content in Dl on My BlogHugoen-usWed, 13 Jun 2018 00:00:00 +0000/2018/06/13/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%9C%AF%E8%AF%AD/Wed, 13 Jun 2018 00:00:00 +0000/2018/06/13/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%9C%AF%E8%AF%AD/<!-- toc --> <p>[TOC]</p> <h1 id="概念理解">概念理解</h1> <p>Mask R-CNN (Regional Convolutional Neural Network: 区域卷积神经网络)</p> <p><img alt="ComputerVisionTasks" loading="lazy" src="/2018/06/13/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%9C%AF%E8%AF%AD/ComputerVisionTasks.png"></p> <ul> <li> <p><strong>图像分类 (Classification)</strong>: 图片中有气球。</p> </li> <li> <p><strong>语义分割 (Semantic Segmentation)</strong>: 这些是图片中组成所有气球的像素。</p> </li> <li> <p><strong>目标检测 (Object Detection)</strong>: 这里是图片中7个气球的位置。我们需要识别被遮挡的物体。</p> </li> <li> <p><strong>实例分割 (Instance Segmentation)</strong>: 这是是图片中7个气球的位置，包括组成每一个气球的像素。</p> </li> </ul> <p>mAP: 均值平均精度(Mean Average Precision)</p> <p>Backbone: 骨干网络</p> <p>backbone feature map : 骨干特征图</p> <p>Feature Pyramid Network (FPN): 特征金字塔网络</p> <p><img alt="FPNFlowChart" loading="lazy" src="/2018/06/13/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%B8%B8%E7%94%A8%E6%9C%AF%E8%AF%AD/FPNFlowChart.png"></p> <p>Mask RCNN 的实现采用的是 ResNet101 + FPN 作为骨干网络</p> <p>Region Proposal Network (RPN): 区域提议网络</p> <p>Anchor: 锚点, RPN 通过扫描骨干特征图（backbone feature map ） 得到锚点的. SSD 中称为先验框Prior boxes</p> <p>Non-max Suppression : 非最大抑制, 在 RPN 预测过程中，我们会选择最可能包含物体的锚点，然后去修正它们的位置以及尺寸。如果有些锚点重叠得太多，我们会保留前景得分最高的一个，而其他的锚点就丢弃掉（这种方式成为非最大抑制 Non-max Suppression ）。</p>