圖普科技：如何用TensorFlow實(shí)現(xiàn)物體檢測(cè)的像素級(jí)分類

　　TensorFlow 的「物體檢測(cè) API」有了一個(gè)新功能，它能根據(jù)目標(biāo)對(duì)象的像素位置來(lái)確定該對(duì)象的像素。換句話來(lái)說(shuō)，TensorFlow 的物體檢測(cè)從原來(lái)的圖像級(jí)別成功上升到了像素級(jí)別。

　　使用 TensorFlow 的「物體檢測(cè) API」圖片中的物體進(jìn)行識(shí)別，最后的結(jié)果是圖片中一個(gè)個(gè)將不同物體框起來(lái)的方框。最近，這個(gè)「物體檢測(cè) API」有了一個(gè)新功能，它能根據(jù)目標(biāo)對(duì)象的像素位置確定該對(duì)象的像素，實(shí)現(xiàn)物體的像素分類。

TensorFlow 的物體檢測(cè) API 模型——Mask-RCNN

　　實(shí)例分割

　　「實(shí)例分割」是物體檢測(cè)的延伸，它能讓我們?cè)谄胀ǖ奈矬w檢測(cè)的基礎(chǔ)上獲取關(guān)于該對(duì)象更加精確、全面的信息。

　　在什么情況下我們才需要這樣精確的信息呢?

• 無(wú)人駕駛汽車

　　為了確保安全，無(wú)人駕駛汽車需要精確定位道路上其他車輛和行人。

• 機(jī)器人系統(tǒng)

　　機(jī)器人在連接兩個(gè)部件時(shí)，如果知道這兩個(gè)部件的確切位置，那么機(jī)器人的操作就會(huì)更加高效、準(zhǔn)確。

　　「實(shí)例分割」的方法有很多，TensorFlow 進(jìn)行「實(shí)例分割」使用的是 Mask RCNN 算法。

　　Mask R-CNN 算法概述

Mask RCNN 算法架構(gòu)

　　在介紹 Mask RCNN 之前，我們先來(lái)認(rèn)識(shí)一下 Faster R-CNN。

　　Faster-RCNN 是一個(gè)用于物體檢測(cè)的算法，它被分為兩個(gè)階段：第一階段被稱為「候選區(qū)域生成網(wǎng)絡(luò)」(RPN)，即生成候選物體的邊框;第二階段本質(zhì)上是 Fast R-CNN 算法，即利用 RolPool 從每個(gè)候選邊框獲取對(duì)象特征，并執(zhí)行分類和邊框回歸。這兩個(gè)階段所使用的特征可以共享，以更快地獲得圖像推算結(jié)果。

　　Faster R-CNN 對(duì)每個(gè)候選對(duì)象都有兩個(gè)輸出，一個(gè)是分類標(biāo)簽，另一個(gè)是對(duì)象邊框。而 Mask-RCNN 就是在 Faster R-CNN 的兩個(gè)輸出的基礎(chǔ)上，添加一個(gè)掩碼的輸出，該掩碼是一個(gè)表示對(duì)象在邊框中像素的二元掩碼。但是這個(gè)新添加的掩碼輸出與原來(lái)的分類和邊框輸出不同，它需要物體更加精細(xì)的空間布局和位置信息。因此，Mask R-CNN 需要使用「全卷積神經(jīng)網(wǎng)絡(luò)」(FCN)。

　　「全卷積神經(jīng)網(wǎng)絡(luò)」是「語(yǔ)義分割」中十分常見(jiàn)的算法，它利用了不同區(qū)塊的卷積和池化層，首先將一張圖片解壓至它原本大小的三十二分之一，然后在這種粒度水平下進(jìn)行預(yù)測(cè)分類，最后使用向上采樣和反卷積層將圖片還原到原來(lái)的尺寸。

　　因此，Mask RCNN 可以說(shuō)是將?Faster RCNN 和「全卷積神經(jīng)網(wǎng)絡(luò)」這兩個(gè)網(wǎng)絡(luò)合并起來(lái)，形成的一個(gè)龐大的網(wǎng)絡(luò)架構(gòu)。

　　實(shí)操 Mask-RCNN

• 圖片測(cè)試

　　你可以利用 TensorFlow 網(wǎng)站上的共享代碼來(lái)對(duì) Mask RCNN 進(jìn)行圖片測(cè)試。以下是測(cè)試結(jié)果：

Mask RCNN on Kites Image

• 視頻測(cè)試

　　最有意思的是用 YouTube 視頻來(lái)測(cè)試這個(gè)模型。從 YouTube 上下載幾條視頻，開(kāi)始了視頻測(cè)試。

　　視頻測(cè)試的主要步驟：

　　1. 使用 VideoFileClip 功能從視頻中提取出每個(gè)幀;

　　2. 使用 fl_image 功能對(duì)視頻中截取的每張圖片進(jìn)行物體檢測(cè)，然后用修改后的視頻圖片替換原本的視頻圖片;

　　3. 最后，將修改后的視頻圖像合并成一個(gè)新的視頻。

　　Mask RCNN 的深入研究

　　下一步的探索包括：

• 測(cè)試一個(gè)精確度更高的模型，觀察兩次測(cè)試結(jié)果的區(qū)別;
• 使用 TensorFlow 的物體檢測(cè) API 在定制的數(shù)據(jù)集上對(duì) Mask RCNN 進(jìn)行測(cè)試。

特別提醒：本網(wǎng)信息來(lái)自于互聯(lián)網(wǎng)，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。