Mask R-CNN的翻译

Abstract

我们设计了一种理念清晰、具备高度适应性与广泛适用性的概念对象实例分割体系。该技术手段能够高效识别图像中的目标物体，并为每一个独立实例生成高精度的分割掩膜。这项技术被命名为Mask R-CNN，其通过引入一个额外的分支来预测目标掩膜，与当前用于边界框识别的分支并行运作，从而提升了处理速度。相较于Faster-RCNN，Mask R-CNN在训练过程中更为简便，仅增加了每秒5帧的微小计算负担。同时，该方法便于拓展至其他应用场景中，例如在相同架构下实现对人体姿态的估计。我们在三个COCO数据集挑战任务中展示了实验结果，涵盖实例分割、边界框目标检测以及人体关键点检测等方向。在所有测试项目中，无需任何特殊技巧，Mask R-CNN的表现优于所有现有单一模型结构，包括COCO 2016挑战赛冠军模型。我们期望这一简洁而高效的方法能够成为未来开展实例级识别研究的重要基础，并将公开相关代码以供使用。

1、introduction

在较短的时间内，视觉研究领域迅速提升了物体检测与语音分割的成果。这些显著的进展很大程度上得益于基础系统的推动，如用于图像检测的Fast-RCNN或Faster-RCNN，以及应用于语义分割的全卷积网络。这些方法在概念层面具有直观性，并展现出良好的灵活性与稳定性，其训练和推理过程也较为高效。在本项研究中，我们的主要任务是构建一个具