AITerms 登入
深度學習電腦視覺模型訓練

遮罩區域卷積網路(Mask R-CNN)是什麼?

Mask R-CNN是一種深度學習模型,用於物件偵測、實例分割和人體姿勢估計。它擴展了Faster R-CNN,增加了預測每個物件像素級別遮罩的分支。

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

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

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本