1、ModelArts快速開發(fā)技術(shù)實(shí)踐Mask RCNN1. Mask R-CNN介紹ResNet+FPNRPN: AnchorRPNROI & head目錄Mask R-CNN 能做什么?醫(yī)學(xué)影像、車輛、道路、GIS、人體姿態(tài)。R-CNN 進(jìn)化: ResNet+FPN+RPN(RoIAlign)+FCNRCNN追求 更好的Feature map，更精確的RoIAlignMask R-CNN 對(duì) Faster R-CNN+FCN 改進(jìn)1、backbone：ResNet+FPN2、RoIPooling 改進(jìn)為RolAlign3、增加Mask 分支ResNet32*32*20485C64*64*102

2、44C128*128*5123C265*256*2562C265*256*641C輸入圖片 1024*1024Mask R-CNN step 1 : ResNetMask R-CNN step 2 : FPN 的演化計(jì)算量太大錯(cuò)過重用特征層高分辨 率信息(小目標(biāo)的召回 率還是有點(diǎn)低)無法識(shí)別小目標(biāo)Bottom-up pathway Top-down pathway lateral connections重用特征層高分辨率信息FPNResNet32*32*2048C564*64*1024C4128*128*512C3265*256*256C2265*256*64C1輸入圖片 1024*1024P

3、5P4P3P2P6Upsample*2=feature_map:64*64Upsample*2=feature_map:128*128Upsample*2=feature_map:256*256Mask R-CNN step 3 : RestNet - FPNFPNResNet32*32*2048C564*64*1024C4128*128*512C3265*256*256C2265*256*64C1輸入圖片1024*1024P5P4P3P2P6Upsample*2=feature_map: 64*64Upsample*2=feature_map:128*128Upsample*2=featur

4、e_map:256*256Mask R-CNN step 3 : RestNet - FPNMask R-CNN step 4 : RPN 的 AnchorRPN_ANCHOR_RATIOS 0.5, 1, 2RPN_ANCHOR_SCALES 32, 64, 128, 256, 512RPN(Anchor)P2256*256Anchor:196608256*256 *3P3128*128P464*64P532*32P616*16Anchor:49152 128*128 *3Anchor:12288 64*64 *3Anchor:3072 32*32 *3Anchor:76816*16 *3r

5、pn_cls:判定foreground與backgroundrpn_bbox:為了獲得更準(zhǔn)確的推薦區(qū)域Mask R-CNN step 4 : RPNFaster RCNN vs Mask RCNN: RPN - Anchors一個(gè)Cell 9個(gè)Anchors vs15個(gè)AnchorsRPN_ANCHOR_RATIOS0.5, 1, 2RPN_ANCHOR_SCALES32, 64, 128, 256, 512Region Proposal：anchor box與Ground Truth(GT)-通過IoU 確定正負(fù)樣本計(jì)算每個(gè)Anchors與該圖片上標(biāo)注的真實(shí)框ground truth之間的I

6、oU如果anchor box與ground truth的IoU值最大，標(biāo)記為正樣本，label=1 如果anchor box與ground truth的IoU0.7，標(biāo)記為正樣本，label=1 如果anchor box與ground truth的IoU 0.5IoU proposal計(jì)算最接近的GT box的偏移量GT的Mask信息付給proposal分類和目標(biāo)檢測(cè)通過full connect層與softmax計(jì)算每個(gè)region proposal具體屬于哪個(gè)類別（如人，馬，車等），輸出cls_prob概率向量同時(shí)再次利用bounding box regression獲得每個(gè)region p

7、roposal的位置偏移量bbox_pred，用于回歸獲得更加精確的目標(biāo)檢測(cè)框RoiPooling & RoiAlign最近鄰插值 換成了 雙線性插值 。換完插值法的 RoIPooling 就有了一個(gè)更加高大上的:RoIAlignRoiPooling&RoiAlign:對(duì)于檢測(cè)圖片中大目標(biāo)物體時(shí)，兩種方案的差別不 大，而如果是圖片中有較多小目標(biāo)物體需要檢測(cè)， 則優(yōu)先選擇RoiAlign更精準(zhǔn)所謂的Mask: FCNModelArts快速開發(fā)：Mask RCNNModelArts 一站式AI開發(fā)平臺(tái)全流程可視化管理全流程可視、過程可追溯、數(shù)據(jù)版本化管理、讓開發(fā)無后顧之憂AI應(yīng)用高效篩選 半自動(dòng)標(biāo)

8、注數(shù)據(jù)預(yù)處理效率提升100倍主流開發(fā)環(huán)境開箱即用預(yù)置模型庫簡化模型開發(fā)預(yù)置算法提升開發(fā)效率數(shù)據(jù)預(yù)處理模型開發(fā)快速訓(xùn)練分布式集群加速從“周”到“分鐘”全程UI向?qū)ё詣?dòng)學(xué)習(xí)零編碼，零AI基礎(chǔ)快速訓(xùn)練模型云邊端協(xié)同部署共享平臺(tái)數(shù)據(jù)AI 市場(chǎng)快速獲取AI算法模 型開放 / 共享 / 交易建構(gòu)內(nèi)外部AI生態(tài)一鍵部署到云邊端實(shí)時(shí)服務(wù) 批量服務(wù)云邊端協(xié)同HiLens慧眼基于昇騰芯片極速推理ModelArts分布式集群加速讓訓(xùn)練從周到分鐘端邊云一鍵部署支持各種上線場(chǎng)景AI共享平臺(tái)企業(yè)構(gòu)筑內(nèi)外部AI生態(tài)AI數(shù)據(jù)框架可視化全流程管理百倍提升數(shù)據(jù)處理效率讓開發(fā)無后顧之憂自動(dòng)學(xué)習(xí)零AI基礎(chǔ)構(gòu)建模型ModelArts，極快，致簡創(chuàng)新的ExeML技術(shù)，0編碼，0 AI基礎(chǔ) 完成訓(xùn)練，生成匹配目標(biāo)環(huán)境的模型1數(shù)據(jù)上傳&標(biāo)注2模型訓(xùn)練3模型驗(yàn)證&發(fā)布斯坦福 DAWNBenchmark圖像識(shí)別總訓(xùn)練/推理時(shí)間，ModelArts排名世界第一