本篇文章給大家分享的是有關(guān)如何利用邊緣監(jiān)督信息加速M(fèi)ask R-CNN實(shí)例分割訓(xùn)練，小編覺得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都網(wǎng)站設(shè)計(jì)、成都做網(wǎng)站、麒麟網(wǎng)絡(luò)推廣、成都微信小程序、麒麟網(wǎng)絡(luò)營銷、麒麟企業(yè)策劃、麒麟品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營等，從售前售中售后，我們都將竭誠為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；創(chuàng)新互聯(lián)為所有大學(xué)生創(chuàng)業(yè)者提供麒麟建站搭建服務(wù)，24小時(shí)服務(wù)熱線：028-86922220，官方網(wǎng)址：www.cdcxhl.com

Mask R-CNN是實(shí)例分割的經(jīng)典模型，作者通過在Mask R-CNN框架上附加一個(gè)新任務(wù)，達(dá)到更快的網(wǎng)絡(luò)收斂速度。
該文對(duì)MaskR-CNN添加了一個(gè)新的預(yù)測(cè)任務(wù)，稱為Edge Agreement Head（也許可以翻譯為“邊緣協(xié)定預(yù)測(cè)端”？），它的靈感來自人工實(shí)例標(biāo)注的方式。當(dāng)人們對(duì)實(shí)例進(jìn)行像素級(jí)標(biāo)注的時(shí)候，僅僅會(huì)關(guān)注實(shí)例的邊緣部分，而實(shí)例內(nèi)部則只需要簡(jiǎn)單的復(fù)制邊緣的標(biāo)注信息就可以了。所以實(shí)例的mask邊緣非常有用，它們很好地表征了實(shí)例。Edge Agreement Head的作用即鼓勵(lì)深度網(wǎng)絡(luò)訓(xùn)練時(shí)預(yù)測(cè)的實(shí)例mask邊緣與groundtruth的邊緣相似。

算法思想

作者通過觀察Mask R-CNN訓(xùn)練前期輸出的預(yù)測(cè)圖像，發(fā)現(xiàn)很多時(shí)候邊緣都不在點(diǎn)上，很顯然，神經(jīng)網(wǎng)絡(luò)在走彎路。
請(qǐng)看下面的例子：

這是Mask R-CNN深度網(wǎng)絡(luò)訓(xùn)練前期的一些預(yù)測(cè)的Mask，發(fā)現(xiàn)它并沒有像人類一樣先把邊緣找出來，甚至缺失的很離譜（你可以預(yù)測(cè)的不很精細(xì)準(zhǔn)確，但至少要表現(xiàn)出在向這個(gè)方向努力吧?。?br/>為了避免神經(jīng)網(wǎng)絡(luò)走彎路，作者把實(shí)例的邊緣信息作為一種監(jiān)督的指引，即將groundtruth進(jìn)行邊緣濾波，讓神經(jīng)網(wǎng)絡(luò)同時(shí)去預(yù)測(cè)實(shí)例的邊緣。指了條明路。
Mask R-CNN的多任務(wù)損失函數(shù)：

具體的做法是，增加一個(gè)新分支，預(yù)測(cè)邊緣并與groundtruth的邊緣相比較，請(qǐng)看下圖

作者僅是對(duì)每個(gè)實(shí)例28*28大小區(qū)域內(nèi)（所以增加的計(jì)算量有限）進(jìn)行上述操作，通過添加簡(jiǎn)單的3*3邊緣檢測(cè)計(jì)算預(yù)測(cè)和groundtruth的邊緣，因?yàn)檫吘墮z測(cè)往往和圖像平滑一起用，所以右邊的圖增加了平滑的步驟。
上圖中Lp代表計(jì)算兩者差異的方式，如下：

p代表像素差值的冪次方參數(shù)。

作者嘗試了普通的Sobel濾波和Laplacian濾波檢測(cè)邊緣。

作者通過Edge Agreement Head方式增加了一個(gè)損失函數(shù)，模型復(fù)雜度略微增加，沒添加任何額外的需要訓(xùn)練的模型變量，訓(xùn)練的計(jì)算成本增加很小，而網(wǎng)絡(luò)推斷時(shí)不增加計(jì)算量。

實(shí)驗(yàn)結(jié)果
作者在MS COCO 2017數(shù)據(jù)集上做了實(shí)驗(yàn)，比較訓(xùn)練達(dá)到160k steps時(shí)基準(zhǔn)模型和提出的模型的COCO AP metrics精度。

Table 1說明當(dāng)訓(xùn)練達(dá)到160k steps時(shí)，使用Edge Agreement Head的模型訓(xùn)練達(dá)到了更高的精度，尤其是使用Soble邊緣算子的模型。
Table 2表明不使用圖像平滑加速更加明顯，達(dá)到更高的精度。
預(yù)測(cè)結(jié)果比較圖示：

Table 4表明，拉長訓(xùn)練時(shí)間，使用Edge Agreement Head仍然獲得了更高的精度。

以上就是如何利用邊緣監(jiān)督信息加速M(fèi)ask R-CNN實(shí)例分割訓(xùn)練，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見到或用到的。希望你能通過這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。