【学习记录】实例分割的发展与区别
参考于《The Evolution Of Instantce Segmentation》
文章目录
- 【学习记录】实例分割的发展与区别
- 发展历程
- RCNN
- Fast RCNN
- Multipath Network
- Faster RCNN
- Mask RCNN
发展历程
RCNN
开发集成了RCNN技术产生了AlexNet，以及使用选择性搜索的区域建议。
RCNN达到了很高的目标检测精度，但是训练过程漫长，因为在CNN层中每个图片特征都要单独提取
Fast RCNN
使用检测器（detecotr）的端到端训练，同时学习softmax分类器和特定的BBOX回归。
- FastRCNN 在区域建议中建议共享神经元的权重，并在最后一个卷积层添加ROI池化层。
- 第一个全连接层用来提取特定区域的特征
- ROI池化使用特征级扭曲的概念，以实现图像级翘曲
Multipath Network
对标准的Fasr RCNN做了三次修改。
- 给目标检测器(object detector)权限去访问不同图层
- 添加一个中心凹元素，用于以不同分辨率利用图像的上下文
- 添加一个积分性质的损失函数
神经网络调整为提高实例分割的定位
Faster RCNN
虽然Fast RCNN有很快的检测速度，但它还是依靠内部区域建议，计算速度是Fast RCNN缺点。
由此提出，选择性搜索可以替代CNN，来得到区域建议的production
Faster RCNN Region Prosal Network （RPN区域建议网络）
在FasterRCNN中，从最后一层共享卷积层提取特征去完成RPN。
Mask RCNN
模型通过对象检测来进行实例分割，同时产生高质量的掩膜，使用的FPN主干架构如下
优点：
- 模型易于训练，运行速度快
- 易于推广其他相关任务
