Mask R-CNN
计算机视觉与模式识别
2018-01-25 v3
摘要
我们提出了一个概念上简单、灵活且通用的框架，用于对象实例分割。我们的方法高效地检测图像中的对象，同时为每一个实例生成高质量的分割掩码。该方法称为Mask R-CNN，它通过添加一个与现有边界框识别分支并行的分支来预测对象掩码，从而扩展了Faster R-CNN。Mask R-CNN训练简单，仅给Faster R-CNN增加少量开销，以5 fps运行。此外，Mask R-CNN易于推广到其他任务，例如允许我们在同一框架中估计人体姿态。我们在COCO挑战赛的所有三个赛道（包括实例分割、边界框目标检测以及人体关键点检测）中展示了顶尖结果。无需花哨的技巧，Mask R-CNN在每个任务上都优于所有现有的单模型参赛作品，包括COCO 2016挑战赛的冠军。我们希望这个简单有效的方法将作为坚实的基线，并有助于简化实例级识别的未来研究。代码已公开于：https://github.com/facebookresearch/Detectron
引用
@article{arxiv.1703.06870,
title = {Mask R-CNN},
author = {Kaiming He and Georgia Gkioxari and Piotr Dollár and Ross Girshick},
journal= {arXiv preprint arXiv:1703.06870},
year = {2018}
}
备注
open source; appendix on more results