원래 종이 주소 : http://cn.arxiv.org/pdf/1703.06870v3
R-CNN 마스크 객체 검출 빠른 R-CNN에 기초 부분 증가하고, 몇몇 최적화 분할 목적은, 구체적으로 설명한다.
빠른 R-CNN 아래 네트워크의 구성도이다 :
네트워크의 구성도이다 이하 R-CNN 마스크 :
R-CNN은 빠른 변화에 대하여 다음과 같이이 R-CNN 마스크 :
1. ResNet101 추출 기능지도.
선형 보간 방법은 프레임의 검출 정밀도를 향상하여 RoI에 맞춘 2. 대안 RoI에 풀링.
오브젝트 세그멘테이션을 위해 별도의 층을 추가 마스크 3..
마스크 R-CNN, 우선 FPN 통해 입력 될 화상은 다섯 층지도 특징 추출 하였다. 네트워크 구조를 사용 FPN ResNet 101 최대 풀링 얻어진 2 * 2 있도록 최종 층, C5 층 기능지도 C6을 네트워크를 통해 아래로 통과되고, 그 후 상방 출력 C2, C3, C4의 특징을 조합. 다음 FPN이 구성된다 :
두 번째 단계는, FPN은 20,000 앵커 대해 생성 RPN 네트워크 합격 특징 추출 1 개 * 1 전환의 전경 및 배경의 구분 및 보정 대상 좌표계 후에 행해졌 제 3 * 3 전환 상기 특징 추출하고 수행. 절단 폭의 작은 대상 블록의 높이를 제거하고, 출력 전경 점수 12000에 제안 전면 내림차순 대상 블록 범위 밖에. 마지막으로, 제안은 NMS 알고리즘, 이전 2000 제안의 출력과 중복 제외합니다.
RoI에 정렬은 균일 한 크기, 분류기의 최종 출력 대상 블록 마스크의 선형 보간 모드 출력 특성을 특징으로하는 제안 된 프레임을 사용하는 제 3 단계.
참고 :
https://blog.csdn.net/ghw15221836342/article/details/79549387
