Маска R-CNN для аннотации

Question

Я новичок в области глубокого изучения, и я читал некоторые современные статьи, и я обнаружил, что маска R-Cnn чрезвычайно используются в сегментации и классификации изображений.Я хотел бы применить его к моей диссертации магистра, но у меня есть некоторые вопросы, на которые вы могли бы ответить.Я прошу прощения, если это не то место, чтобы сделать это.Во-первых, я хотел бы знать, какова лучшая стратегия получения аннотаций.Это кажется трудоемким, и я не понимаю, есть ли легкий путь.После этого я хочу знать, знаете ли вы какой-либо инструмент аннотации для маски r-cnn, который генерирует двоичные маски, которые вручную выполняет пользователь.

Я надеюсь, что это может превратиться в продуктивную и информативную ветку, поэтому любые предложения, опыт будут высоко оценены.

С уважением, Луис

Answer 1

Вы можете использовать MASK-RCNN, я рекомендую это двухэтапный фреймворк, сначала вы можете сканировать изображение и генерировать области, которые, вероятно, содержат объект.И второй этап классифицирует предложение, рисуя ограничивающие рамки.

Но два больших вопроса

как обучить модель с нуля?И что происходит, когда мы хотим обучить наш собственный набор данных?

Вы можете использовать аннотации, загруженные из Интернета, или вы можете начать создавать свои собственные аннотации, это занимает много времени!

У вас есть такие инструменты, как:

VIA GGC-аннотатор изображений http://www.robots.ox.ac.uk/~vgg/software/via/via_demo.html

он-лайн, и вам не нужно скачивать никакие программы.Это тот, который я рекомендую вам, сохраняйте изображения в файле .json, и поэтому вы можете использовать класс баллонов, который поставляется по умолчанию в SAMPLES в рамках MASK R-CNN, вам нужно только поместить свой файл jsonи ваши изображения и обучать ваш набор данных.

Но всегда есть больше опций, у вас есть labellimg , который также используется для аннотаций и очень хорошо известен, но сохраните файлы в XML, вам придется внести несколько изменений в свойКласс на питоне.У вас также есть labelme, labelbox и т. Д.