本篇文章给大家分享的是有关如何利用边缘监督信息加速Mask R-CNN实例分割训练，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
Mask R-CNN是实例分割的经典模型，作者通过在Mask R-CNN框架上附加一个新任务，达到更快的网络收敛速度。
该文对MaskR-CNN添加了一个新的预测任务，称为Edge Agreement Head（也许可以翻译为“边缘协定预测端”？），它的灵感来自人工实例标注的方式。当人们对实例进行像素级标注的时候，仅仅会关注实例的边缘部分，而实例内部则只需要简单的复制边缘的标注信息就可以了。所以实例的mask边缘非常有用，它们很好地表征了实例。Edge Agreement Head的作用即鼓励深度网络训练时预测的实例mask边缘与groundtruth的边缘相似。
算法思想
作者通过观察Mask R-CNN训练前期输出的预测图像，发现很多时候边缘都不在点上，很显然，神经网络在走弯路。
请看下面的例子：
这是Mask R-CNN深度网络训练前期的一些预测的Mask，发现它并没有像人类一样先把边缘找出来，甚至缺失的很离谱（你可以预测的不很精细准确，但至少要表现出在向这个方向努力吧！）。
为了避免神经网络走弯路，作者把实例的边缘信息作为一种监督的指引，即将groundtruth进行边缘滤波，让神经网络同时去预测实例的边缘。指了条明路。
Mask R-CNN的多任务损失函数：
具体的做法是，增加一个新分支，预测边缘并与groundtruth的边缘相比较，请看下图
作者仅是对每个实例28*28大小区域内（所以增加的计算量有限）进行上述操作，通过添加简单的3*3边缘检测计算预测和groundtruth的边缘，因为边缘检测往往和图像平滑一起用，所以右边的图增加了平滑的步骤。
上图中Lp代表计算两者差异的方式，如下：
p代表像素差值的幂次方参数。
作者尝试了普通的Sobel滤波和Laplacian滤波检测边缘。
作者通过Edge Agreement Head方式增加了一个损失函数，模型复杂度略微增加，没添加任何额外的需要训练的模型变量，训练的计算成本增加很小，而网络推断时不增加计算量。
实验结果
作者在MS COCO 2017数据集上做了实验，比较训练达到160k steps时基准模型和提出的模型的COCO AP metrics精度。
Table 1说明当训练达到160k steps时，使用Edge Agreement Head的模型训练达到了更高的精度，尤其是使用Soble边缘算子的模型。
Table 2表明不使用图像平滑加速更加明显，达到更高的精度。
预测结果比较图示：
Table 4表明，拉长训练时间，使用Edge Agreement Head仍然获得了更高的精度。
以上就是如何利用边缘监督信息加速Mask R-CNN实例分割训练，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。
