Facebook 實驗室出爐的新論文《Mask R-CNN》，第一作者何愷明帶領團隊提出了一種名為「Mask R-CNN」的目標實例分割框架。研究顯示，該框架相比傳統(tǒng)的操作方法更佳簡單靈活。
如果對物體識別和分割技術有所了解的讀者們，可能對這個流程并不陌生。傳統(tǒng)的物體識別和圖像語義分割技術目前集中于運用 Fast/Faster R－CNN 和全卷積網(wǎng)絡（FCN）框架等方法，上述概念的優(yōu)點非常明顯：
1. 直觀
2. 訓練和推斷速度快
3. 靈活性和魯棒性好
不過在此前文章中提及的一樣，目標分割的難點在于涉及兩個任務：
1. 用物體識別技術識別物體，并用邊界框表示出物體邊界；
2. 用語義分割給像素分類，但不區(qū)分不同的對象實例。
「本篇論文的創(chuàng)新點在于作者在 Faster R-CNN 的基礎上，只增加了一條對計算資源要求很小的分支，就把原來只用在物體檢測任務上的技術應用到物體分割技術上。」
圖普科技工程師：Mask R-CNN的理論創(chuàng)新會帶來怎樣的可能性？
Mask R-CNN 框架
Mask R-CNN 作為 Faster R-CNN 的擴展形式，主要的任務流程如下：
1. 首先檢測出圖片中可能存在物體的區(qū)間，得到多個候選框；
2. 用一條子神經(jīng)網(wǎng)絡分支預測：
每個框內(nèi)的物體類別
物體在候選框里的矩形范圍（橫坐標縱坐標，寬，高）
3. 用另外一條神經(jīng)網(wǎng)絡分支對每個候選框預測候選框中哪些像素是屬于該物體的。
那么，這樣的改進能夠起到怎樣的作用呢？好處自然非常明顯。
首先是適用性強。Mask R-CNN 的框架非常通用靈活，只需要經(jīng)過少量修改，便能夠推廣到很多的任務上。
其次是更好地利用不同任務的監(jiān)督數(shù)據(jù)。圖普科技工程師表示，「以前是檢測任務只能利用檢測的數(shù)據(jù)，分割任務只能利用到分割的數(shù)據(jù)，現(xiàn)在 Mask R-CNN 能同時用上檢測，分割等數(shù)據(jù)，同時訓練檢測，分割等任務，」AI 科技評論從論文的實驗中了解到，任務都能達到業(yè)界標桿的效果。
在論文中，Mask R-CNN 在 COCO 數(shù)據(jù)集上表現(xiàn)良好，具體實驗結果可以參考AI科技評論的此前文章。那么它是否能延展到更大的范圍呢？圖普科技工程師對此則一分為二地看待，他認為短期內(nèi)在個人領域還無法看到直接應用，不過在云端廠商和科研工作上，由于它良好的表現(xiàn)性能和實用性，的確可以在很多地方獲得大規(guī)模應用。
既然是 Facebook 研究院提出的新成果，根據(jù)圖普科技工程師的設想，可能會有以下三個方向：
首先是圖片自動打標簽的功能?；?Facebook 的社交屬性，它識別人臉的能力已經(jīng)越來越強，但「讀懂圖片」的能力還在不斷探索中。Mask R-CNN 兼具物體識別并用語義分割給像素分類的能力，的確很有可能先在自家的社交網(wǎng)絡上獲得大范圍應用。
其次是 AR 技術。比如說，在鏡頭中的沙發(fā)上顯示一個 3D 虛擬美女，那么如何判斷沙發(fā)的位置和角度，并據(jù)此調(diào)整美女的坐姿，如果要做到「毫無違和感」，同樣需要對圖像的邊界進行界定。
還有一點是 VR 技術?！冈谟螒蝾I域，可以采用 Mask R-CNN 精確捕捉人的動作，讓玩家在能在虛擬世界自由扮演角色?！?/div>
雖然現(xiàn)在討論應用還有些早，不過 AI 科技評論依然期待 FAIR 在未來能有更多的理論創(chuàng)新，并能夠早日應用于我們的生活當中。
更多>相關資訊
0 條相關評論
