MaskR-CNN模型：KaggleAirbus数据集训练_实例分割模型资源-CSDN文库

共2个文件

pkl：1个

yaml：1个

Mask

R-CNN

Airbus

Kaggle

Instance

3星 · 超过75%的资源需积分: 49 194 浏览量 2018-11-10 21:59:30 上传评论 3 收藏 734.51MB ZIP 举报

**Mask R-CNN模型详解** Mask R-CNN是一种深度学习模型，由Facebook AI Research（FAIR）的研究人员在2017年提出。这个模型在图像识别领域具有里程碑式的意义，因为它不仅能够进行物体检测（object detection），还能实现像素级别的语义分割（semantic segmentation）以及实例分割（instance segmentation）。在这个Kaggle的Airbus Ship Detection比赛中，参赛者被要求使用Mask R-CNN等技术来识别并定位图像中的船舶。 **Kaggle Airbus Ship Detection挑战** Kaggle的Airbus Ship Detection比赛是一项旨在提升自动船舶检测和分割能力的比赛。参赛者需要利用提供的卫星图像数据集，通过训练深度学习模型来准确地检测图像中的船只，并对每个船只进行实例分割。这个挑战的核心在于如何在高分辨率的图像中精确地识别出微小的船只目标，这对模型的精度和计算效率提出了极高要求。 **实例分割与Mask R-CNN** 实例分割是计算机视觉中的一个重要任务，它不同于语义分割，后者将图像划分为不同的类别区域，而不管属于同一类别的对象是否彼此分开。实例分割则能区分同一类别的不同对象，为每个对象提供独立的掩模。Mask R-CNN通过引入一个额外的分支，可以在进行物体检测的同时生成像素级别的掩模，从而实现实例分割。 **Mask R-CNN架构** Mask R-CNN基于 Faster R-CNN 模型，它引入了两个关键改进：一是“Feature Pyramid Network”（FPN），用于处理多尺度的物体检测；二是“Mask分支”，用于生成像素级别的分类掩模。FPN将不同层的特征图组合起来，提供对不同大小目标的敏感性。而Mask分支则是在检测到的每个候选框上附加一个小的全卷积网络，预测像素级别的分类概率。 **训练流程** 训练Mask R-CNN模型通常包括以下步骤： 1. **预处理**：对输入图像进行归一化、缩放和填充，使其适应网络的输入要求。 2. **Backbone网络**：通常使用ResNet或更先进的网络结构，如ResNeXt，提取特征。 3. **Feature Pyramid Network**：利用不同尺度的特征图进行物体检测。 4. **Region Proposal Network (RPN)**：生成候选的物体框。 5. **Proposal Generation**：通过非极大值抑制（NMS）去除重复的候选框。 6. **BBox Regression & Classification**：对每个候选框进行微调和分类，确定其类别。 7. **Mask Branch**：对于每个分类为目标的候选框，生成像素级别的掩模。 8. **Loss计算与反向传播**：根据检测结果和掩模的质量计算损失函数，然后进行反向传播更新权重。 9. **迭代优化**：多次迭代，逐步提高模型的检测和分割性能。在Airbus Ship Detection的背景下，模型需要特别关注小目标的检测，可能需要对训练策略进行调整，如增大候选框的多样性，优化损失函数以更好地处理小目标等。 **总结** Mask R-CNN模型在Kaggle的Airbus Ship Detection比赛中展示了强大的物体检测和实例分割能力。通过对大型图像数据集的训练，模型可以学习到如何在复杂环境中识别并分割出船只。了解和掌握Mask R-CNN的原理和应用，对于提升计算机视觉系统的性能具有重要意义。

资源推荐

资源详情

资源评论

收起资源包目录

2018-10-23.zip （2个子文件）

2018-10-23

e2e_mask_rcnn_X-101-64x4d-FPN_1x.yaml 2KB

model_final.pkl 782.8MB

MODEL: TYPE: generalized_rcnn CONV_BODY: FPN.add_fpn_ResNet101_conv5_body NUM_CLASSES: 2 FASTER_RCNN: True MASK_ON: True NUM_GPUS: 2 SOLVER: WEIGHT_DECAY: 0.0001 LR_POLICY: steps_with_decay # 1x schedule (note TRAIN.IMS_PER_BATCH: 1) BASE_LR: 0.0025 GAMMA: 0.1 # MAX_ITER: 180000 # STEPS: [0, 120000, 160000] MAX_ITER: 90000 STEPS: [0, 60000, 80000] FPN: FPN_ON: True MULTILEVEL_ROIS: True MULTILEVEL_RPN: True RESNETS: STRIDE_1X1: False # default True for MSRA; False for C2 or Torch models TRANS_FUNC: bottleneck_transformation NUM_GROUPS: 64 WIDTH_PER_GROUP: 4 FAST_RCNN: ROI_BOX_HEAD: fast_rcnn_heads.add_roi_2mlp_head ROI_XFORM_METHOD: RoIAlign ROI_XFORM_RESOLUTION: 7 ROI_XFORM_SAMPLING_RATIO: 2 MRCNN: ROI_MASK_HEAD: mask_rcnn_heads.mask_rcnn_fcn_head_v1up4convs RESOLUTION: 28 # (output mask resolution) default 14 ROI_XFORM_METHOD: RoIAlign ROI_XFORM_RESOLUTION: 14 # default 7 ROI_XFORM_SAMPLING_RATIO: 2 # default 0 DILATION: 1 # default 2 CONV_INIT: MSRAFill # default GaussianFill TRAIN: # md5sum of weights pkl file: aa14062280226e48f569ef1c7212e7c7 # WEIGHTS: https://s3-us-west-2.amazonaws.com/detectron/ImageNetPretrained/FBResNeXt/X-101-64x4d.pkl WEIGHTS: /data/tmp/pretrained/X-101-64x4d.pkl DATASETS: ('airbus_2018_train',) SCALES: (800,) MAX_SIZE: 800 IMS_PER_BATCH: 1 BATCH_SIZE_PER_IM: 512 RPN_PRE_NMS_TOP_N: 2000 # Per FPN level TEST: DATASETS: ('airbus_2018_train',) SCALE: 800 MAX_SIZE: 800 NMS: 0.5 RPN_PRE_NMS_TOP_N: 1000 # Per FPN level RPN_POST_NMS_TOP_N: 1000 OUTPUT_DIR: .

评论收藏

内容反馈