??????? 對于FCN-SceneParse網絡，最后卷積生成N個類別的maps,每個Map都得到圖像所有點的單類概率。MaskRCNN的結構與FCN不相同。

?????? 參考三個文章：

?????? Detectron總結1：Blob的生成 和 generate proposal?

?????? Detectron總結2：前向生成數據標簽的過程

?????? Detectron總結3：參數設置，直接打開cfg文件，找到train進行設置

?????? Detectron總結4：Detectron測試流程（含Mask和KeyPoint）

??????

獲取多個Mask：

?????? 對于預測的二值掩膜輸出，我們對每個像素點應用sigmoid函數，整體損失定義為平均二值交叉損失熵。 引入預測K個輸出的機制，允許每個類都生成獨立的掩膜，避免類間競爭。這樣做解耦了掩膜和種類預測。不像是FCN的方法，在每個像素點上應用softmax函數，整體采用的多任務交叉熵，這樣會導致類間競爭，最終導致分割效果差。

????? 代碼段：

獲取每一個圖像Mask

def getMaskImg( mask,box,image ):imageMask = image.copy();for i in range(mask.shape[0]):for j in range(mask.shape[1]):if( mask[i,j]==0 ):#imageMask[i,j] = image[i,j]#mask[i,j] =254;imageMask[i,j,0]=0;imageMask[i,j,1]=0;imageMask[i,j,2]=0;x1 = int(box[0]);x2 = int(box[2]);y1 = int(box[1]);y2 = int(box[3]);imageMask = imageMask[y1:y2,x1:x2];return imageMask;

???

?

????

?

總結

以上是生活随笔為你收集整理的Detectron-MaskRCnn：Mask判别和获取前向Mask的标签的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。