MaskRCNN 基于OpenCV DNN的目标检测与实例分割

这里主要记录基于 OpenCV 4.x DNN 模块和 TensorFlow MaskRCNN 开源模型的目标检测与实例分割 的实现.

MaskRCNN 不仅可以检测图片或视频帧中的物体边界框，还可以得到物体的灰度图或二值 mask 图.

Paper - MaskRCNN-2017 Github - Detectron Github - maskrcnn-benchmark Github - tensorflow/models/research/object_detection

在 TensorFlow Object Detection Model Zoo 中提供了基于不同 backbone 网络结构，基于 MSCOCO 数据集，得到的预训练模型，如 InceptionV2, ResNet50, ResNet101, Inception-ResNetV2. 也可以采用提供的工具自定义训练MaskRCNN 模型 - train your own models.

其中，基于 Inception 系列 的 backbone 网络速度是最快的，可以尝试在 CPU 上进行运行.

1. MaskRCNN 简介

论文阅读 - Mask R-CNN - AIUAI

语义分割：是指基于某些准则将图片分为不同的像素组，如基于颜色(color)、纹理(texture)等. 得到的像素组有时也被叫作超像素(super-pixels). 语义分割尝试将图片中的每一个像素进行分类.

实例分割：旨在检测图片中的特定物体，同时创建物体的 mask. 实例分割还可以看作是一种目标检测，其输出是物体的 mask，而不只是物体的边界框. 实例分割并不对图片中的每个像素进行标注. 如图：

在这里插入图片描述

图1 - 实例分割例示.

MaskRCNN 是 R-CNN 系列的改进.

R-CNN - CVPR2014 是目标检测算法，其基于 selective search 算法生成 region proposals，然后再分别逐个采用 CNN 对每个 proposed region 进行处理，输出物体的类别标签和对应的边界框.

Fast R-CNN - ICCV2015 提升了 R-CNN 算法的速度，通过采用 RoIPool 层，基于 CNN 一次处理所有的 proposed regions.

Faster R-CNN - PAMI2017进一步提升算法的速度，其主要是采用 RPN(Region Proposal Network) 网络来进行 region proposal 处理. RPN 网络和物体分类与边界框检测网络同时对共享的 feature maps 进行处理，因此具有更快的推断速度. 在单张 GPU 上， Faster R-CNN 运行速率可达到 5 fps.

Mask R-CNN - ICCV2017 对 Faster R-CNN 进行改进，其新增了一个和物体类别和物体边界框预测网络分支并行的 mask 预测网络分支，如下图2. 虽然在 Faster R-CNN 添加了一个小的输出分支，但仍能够在单张 GPU 运行速率 5 fps.

在这里插入图片描述

图2 - Mask-RCNN 网络结构

MaskRCNN 网络结构中的 RPN 网络对每张图片产生约 300 个 region proposals.

训练时，每个 region proposals(ROIs) 传递到目标检测网络和 mask 预测网络. 其中，对于每个给定 ROI，mask 预测分支可以与目标检测分支并行地进行，因此，网络可以预测属于所有物体类别的 masks.

推断时，region proposals 经过 NMS 处理，只对 top scoring 100 的检测边界框，才送入 mask 预测分支进行处理. 因此，对于 100 个 ROIs 和 90 个物体类别，MaskRCNN 网络的 mask 预测分支输出为 100x90x15x15 的 4D tensor，其中每个 mask 的尺寸为 15x15.

例如，对于图1 中的 sheep 物体类，MaskRCNN 检测到两个物体. 对于每个物体，目标检测分支输出包含预测的物体概率分数(即：物体属于预测类别的概率)，以及检测到的物体的边界框的坐标位置 - (left, top, right, bottom). 其中 class id 用于从 mask 预测分支的输出中提取对应的物体 mask. 如下图:

在这里插入图片描述

图3 - MaskRCNN 预测的 sheep mask.

MaskRCNN 的 mask 预测分支得到的 masks 可以进行阈值化，以得到二值 mask.

类似于 Faster R-CNN，MaskRCNN 可以灵活的选择不同的 backbone 网络结构. 例如采用 InceptionV2 backbone 结构，其速度快，同时能够得到比 ResNeXt-101 更好的结果.

MaskRCNN 网络可以在较大的图片尺寸上进行处理，其将输入图像调整尺寸，如将图片最小边尺寸保持为 800 pixels.

2. MaskRCNN DNN 实现

PyTorch实现：Github 项目 - maskrcnn-benchmark 简单使用及例示 - AIUAI

输出结果如：

在这里插入图片描述

3. MaskRCNN TensorFlow 实现

输出结果如：

在这里插入图片描述

4. 参考资料

[1] - Deep learning based Object Detection and Instance Segmentation using Mask R-CNN in OpenCV (Python / C++) - 2018.10.01