数据准备工作原始数据分两个文件夹，images（彩色图片）、mask（掩膜照片，一定要转换成灰度图images的名字若为“ABC.jpg”，mask里的掩膜照片应该这样命名“ABC_type_num.png”（这里的type是训练集的分类，我这里只有一种分类‘polyp’，一般从数据集json文件里的label就可以看到分类；num是从0开始的序列0， 1， …）生成coco数据集用coco转换代
1、置信区间和置信度当样本数据很大时，呈现正太分布。这就是置信区间，区间为 63 + -3，置信度为 95％。2、IoU的简介及原理解析IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。def iou(set_a, set_b):
#Tue Mar
转载
2024-03-27 12:26:06
152阅读
基于Mask-RCNN ,以 MS COCO 数据集作为训练数据集， 该数据集共有 81 类（ 含背景一类)，对模型进行调参训练， 利用迁移学习的思想， 将此训练好的权重作为可行驶区域分割任务中的初始权重， 在预先处理过后BDD100K 可行驶区域数据集上再次训练，以实现视频和图片序列中可行驶区域的分割预测。部分预测结果： https://youtu.be/S0Rkgh652UU https://
转载
2024-08-27 09:49:15
22阅读
导航：1. keras版的mask rcnn环境配置2. keras版的mask rcnn训练自己的数据集3. 一文理解精确率Precision、召回率Recall以及ROC曲线之前的两篇文章已经对mask rcnn的用法做了详细介绍，那么还剩最后一个任务，对目标检测模型评价其性能所用到的指标，PR曲线怎么画，AP、mAP（mean Average Precision）怎么计算？首先在概
转载
2024-05-27 15:58:52
183阅读
Faster RCNN作为两阶段目标检测模型，可以分为4个主要内容：Conv layers。作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。Region Proposal Networks。RPN网络用于生成region proposal
转载
2024-07-03 06:21:33
143阅读
一.概念 平均精度（AP）和平均精度均值（mAP）。Mean Average Precision（mAP）通常在信息检索和目标检测中作为评估标准使用。在这两个领域中mAP的计算方法不同，这里主要介绍目标检测中的mAPAP: 就是Precision-recall 曲线下面的面积，通常来说一个越好的分类器，AP值越高。 mAP是多个类别AP的平均值。这个mean的意思是对每个类的A
转载
2024-03-22 15:51:32
215阅读
Mask RCNNMask RCNN: 简单、灵活和通用的对象实例分割框架。可以有效地检测图像中的对象，同时为每个实例生成高质量的分割掩码。通过添加分支来预测对象掩码与现有分支并行以进行边界框识别来扩展 Faster R-CNN。1. 前人研究ROI pooling:首先将proposal的（x1,y1,x2,y2）映射回到(M/16.N/16)大小将每一个proposal对应的feature m
转载
2024-03-27 15:52:00
94阅读
周末跑了一下Mask RCNN 模型，花了两天半，终于把基础模型搞定了，现在回忆一下做的步骤和遇到的坑 samples/shapes/train_shape.ipynb 改的。整个模型是用python实现的，所以相较去年尝试过的 darknet，整个 model 的代码是易读的，有问题可以直接看 model 源码。 比如 evaluation 这部分，源代码制求了 mAP 值，但是我希望同时获得
转载
2024-05-28 19:08:59
242阅读
最近在看图像分割方面的东西，发现MaskRCNN里面有好多东西不是很理解，于是就打算简单梳理一下。找了很多博客，还有视频。这里简单记录一下。RCNNRCNN的英文是 Region based CNN或者说Region with CNN feature，也就是基于（候选）区域的卷积。RCNN可以说是利用深度学习进行目标检测的里程碑。候选区域的生成：Selective Search，比如对图像简单分割
转载
2024-04-21 16:18:57
94阅读
写在前面本文主要参考教程：tensorflow版的Mask_RCNN，这个教程也是跑通github上Mask_RCNN项目的教程，为了在避免不必要的废话和原教程可能改变之间trade off，本教程将简述主要步骤，详情请参考原教程，但是同时记录需要注意的点和一些坑。 同时考虑到各种兼容性问题，有必要说明一下我的软硬件环境： 操作系统：Windows10 家庭中文版 CPU：i5 8700 8核 8
转载
2024-08-08 22:11:03
165阅读
Mask R-CNNMask R-CNN是一个实例分割（Instance segmentation）算法，主要是在目标检测的基础上再进行分割。Mask R-CNN算法主要是Faster R-CNN+FCN，更具体一点就是ResNeXt+RPN+RoI Align+Fast R-CNN+FCN，如下图所示。Mask R-CNN的创新点有：1 .Backbone：ResNeXt-101+FPN 2.
转载
2024-02-26 18:05:43
63阅读
上半年的文字检测算法还是集中于one-stage和two-stage。one-stage的算法主要利用FPN的结构预测分割图以及其他辅助的标签，如回归的值等得到文本的区域；two-stage的算法主要利用mask-rcnn辅助一些改进提升文字检测算法的性能。这篇文章我们就主要说一说这半年的文字检测算法到底在改进什么。one-stage算法这类算法多为基于unet分割的优势，将文本检测任务转换为文本
转载
2024-04-24 15:09:57
67阅读
现在github上面有3个版本的mask-rcnn， keras, caffe(Detectron)， pytorch，这几个版本中，据说pytorch是性能最佳的一个，于是就开始使用它进行训练，然而实际跑通的过程中也遇到了不少问题，记录一下。官方源代码： facebookresearch/maskrcnn-benchmark 安装参照 facebookresearch/maskrc
转载
2024-08-17 16:52:09
53阅读
SVM知识点总结1：几何间隔和函数间隔假设叉号对应的点标签y=1，圈对应的点的标签y=0，我们可以得到一个分类界面能够将两类数据分开。当处理未知数据A,B,C的时候，很显然，判断A为y=1这一类的置信度(confident)应该比判断C为y=1这一类的置信度高，而B的置信度介于两者之间。因此，我们可以知道，如果某个点距离分类界面越远的话，预测结果的置信度越高。函数间隔(functional mar
转载
2024-07-11 18:16:43
104阅读
1 配置文件“/maskrnn_benchmark/config” 文件夹下可以看到两个文件default.py和paths_catalog.py。default.py是默认的配置文件，paths_catalog.py保存了数据集和模型的保存地址，可以根据自己的情况进行修改。 配置文件的一级选项有：INPUT： 输入图像的尺寸、标准化均值和方差、RGB格式转化DATASETS: 训练和测试数据集，
转载
2024-08-06 13:54:48
79阅读
前言 1.本文重点是RoIAlign以及分割掩码分支的损失函数，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述 2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）论文链接代码链接论文翻译创新点 1.提出RoIAlign代替普通RoI Pooling来解决特征图与
前言哎呀，感觉好久没有更新了，打开博客只有可怜的一篇，还是一个月之前发的。。不是不想写，实在是感觉没有什么具有价值的东西可写，在电脑上笔记倒是记了不少，不过想想感觉都是一些摘抄记录。另外感觉写博客也不是那么容易的事，因为写的东西还要给别人看的，需要好好的梳理内容逻辑，用词措辞等。怎么说呢，慢慢来吧，这才刚刚起步。话说为什么要写这篇博文呢？因为实验室的服务器有问题了，最近我一直在装系统，搭环境之类的
Mask R-CNN论文综述 摘要：提出了一个简单、灵活、通用的目标实例分割框架Mask R-CNN。这个框架可同时做目标检测、实例分割。实例分割的实现就是在faster r-cnn的基础上加了一个可以预测目标掩膜（mask）的分支。只比Faster r-cnn慢一点，5fps。很容易拓展到其他任务如：关键点检测。18年在coco的目标检测、实例分割、人体关键点检测都取得了最优成绩。1、 引言 计
转载
2024-09-20 18:28:23
60阅读
mask-rcnnMask RCNN沿用了Faster RCNN的思想，特征提取采用ResNet-FPN的架构，另外多加了一个Mask预测分支，ResNet-FPN+Fast RCNN+Mask，实际上就是Mask RCNN。 Faster RCNN本身的细节非常多。如果对Faster RCNN算法不熟悉，想了解更多的可以看这篇文章：一文读懂Faster RCNN，这是我看过的解释得最清晰的文章。
转载
2024-03-08 14:16:16
182阅读
训练和推断源码部分
train_net.py文件：from maskrcnn_benchmark.utils.env import setup_environment # noqa F401 isort:skip
# 常规包
import argparse
import os
import torch
from maskrcnn_benchmark.config import cfg # 导
转载
2024-05-08 23:17:41
101阅读
