【学习记录】实例分割的发展与区别

【学习记录】实例分割的发展与区别

参考于《The Evolution Of Instantce Segmentation》

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。

1. 给目标检测器(object detector)权限去访问不同图层
2. 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
3. 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：

1. 模型易于训练，运行速度快
2. 易于推广其他相关任务