完整定義
Mask R-CNN (遮罩區域卷積網路) 是一種基於深度學習的實例分割模型,它擴展了 Faster R-CNN 的功能,不僅能偵測圖像中的物件,還能為每個偵測到的物件生成像素級別的遮罩。這使得 Mask R-CNN 能夠精確地分割圖像中的不同實例,並執行如人體姿勢估計等任務。它在電腦視覺領域具有廣泛的應用。
白話說明
你有沒有想過,模型不只要知道物件在哪,還要知道它每一個像素在哪?
你可以把 Mask R-CNN 想成,先框出物件,再把物件輪廓塗滿。
它其實就是同時做物件偵測和實例分割的模型。
當你需要比方框更細的結果,它就特別有用。
記住這句
不只知道在哪裡,還要知道邊界在哪裡。
比喻:Mask R-CNN 就像一位超級詳細的畫家 -- 不只會指出畫裡有什麼東西(物件偵測),還能精準地把每個東西的輪廓都描出來(實例分割),甚至連人體的關節點都能標出來,非常厲害,細節掌握得一清二楚。
容易混淆
Mask R-CNN vs Faster R-CNN
Faster R-CNN 主要做偵測和框選,Mask R-CNN 還多了像素級遮罩。
一個只畫框,一個還會塗形狀。
Mask R-CNN vs 語意分割
語意分割分的是類別,實例分割還要分同類不同個體。
一個看物種,一個看每一隻。
最關鍵的區別: 框出來不夠,還要分清每個物件本身。
實際案例
醫療影像
醫師要切出腫瘤輪廓時,Mask R-CNN 可以比單純偵測框更精準。
自動駕駛
道路上的行人、車輛和交通錐都需要被精細分出來,方便後續規劃。
演算法與應用
它在 Faster R-CNN 的基礎上加了 mask 分支,輸出每個物件的像素遮罩。
RoIAlign 能減少對齊誤差,讓遮罩位置更準。
在醫療、工業檢測和場景理解裡,這種精細標註很重要。
情境判斷
Q1(直覺題): 你只想知道圖片裡物件的輪廓,不只方框,該用什麼模型思路?
Mask R-CNN 很合適,因為它能做實例分割。
Q2(判斷題): 如果只是要判斷圖片裡有沒有車,還一定要用 Mask R-CNN 嗎?
不一定,單純偵測通常不需要這麼精細的分割模型。
常見問題
它擅長把物件位置和輪廓一起找出來。
因為它輸出的是像素級遮罩,不只是矩形框。
通常需要,尤其是實例分割的標註成本本來就比較高。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把遮罩區域卷積網路列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本