Mask R-CNN
การแบ่งส่วนภาพ (Image Segmentation) เป็นการแบ่งภาพออกตามองค์ประกอบหรือวัตถุที่ปรากฏในภาพ เพื่อช่วยในการวิเคราะห์หาส่วนต่าง ๆ ที่มีความสำคัญในภาพ
Mask R-CNN (Mask Region-based Convolutional Neural Network) [1] คือ แบบจำลองที่พัฒนามาจาก R-CNN [2], Fast R-CNN [3] และ Faster R-CNN [4] ตามลำดับ
Mask R-CNN ประกอบด้วย
Backbone network มีพื้นฐานของคอนโวลูชันนอลนิวรอลเน็ตเวิร์ค (Convolutional Neural Network: CNN) เป็นการนำเอา residual มาต่อกัน โดยใช้ stochastic descent gradient มาเทรน ในการทำ Pre-tain โดยเลือกจาก dataset เช่น COCO [5]
Region proposal network (RPN) เป็นการทำงานของการนำเสนอพื้นที่รอบบริเวณวัตถุที่สนใจ (anchor box) ในการนำวัตถุออกจาก feature map และนำส่วนที่เป็นวัตถุเข้า CNN เพื่อหา feature ที่สามารถแยกวัตถุหลังจากการทำ selective search
RoI (Region of Interest) Pooling/ RoI Align เป็นการนำตำแหน่ง feature map ที่มีขนาดต่างกัน เพื่อหา feature vector ที่มีขนาดคงที่เข้าไปยัง fully connected layer และ softmax เข้าสู่กระบวนการจำแนก (classification) ได้ค่าของหมวดหมู่ของวัตถุ
ตัวอย่างภาพ
Get Areerat Pathomchaiwal’s stories in your inbox
Join Medium for free to get updates from this writer.
References
[1] K. He, G. Gkioxari, P. Dolla ́r, and R. Girshick, “Mask r-cnn,” in Proceedings of the IEEE International Conference on Computer Vision, pp. 2961–2969, Venice, Italy, October 2017.
[2] R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierarchies for accurate object detection and semantic seg- mentation,” in Proceedings of the IEEE Conference on Com- puter Vision and Pattern Recognition, pp. 580–587, Columbus, OH, USA, June 2014.
[3] R. Girshick, “Fast r-cnn,” in Proceedings of the IEEE Inter- national Conference on Computer Vision, pp. 1440–1448, Santiago, Chile, December 2015.
[4] S. Ren, K. He, R. Girshick, and J. Sun, “Faster r-cnn: towards real-time object detection with region proposal networks,” in Proceedings of the Advances in Neural Information Processing Systems, pp. 91–99, Montreal, Canada, December 2015.
[5] T.-Y. Lin, M. Maire, S. Belongie et al., “Microsoft coco: common objects in context,” in Computer Vision — ECCV 2014, pp. 740–755, Springer, Cham, Switzerland, 2014.
