LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

Mask R-CNN实例分割与 RoIAlign

#near-cvpr-2025#segmentation#object-detection#primary-source

Mask R-CNN：从检测到实例分割

一句话结论

Mask R-CNN 在两阶段检测器上增加并行掩码分支，并用 RoIAlign 保持像素对齐，建立检测、实例分割与关键点任务的统一基线。

问题定义

怎样在定位和分类每个物体的同时，输出每个实例的像素级轮廓？

方法概述

Faster R-CNN 提供候选与检测，FCN mask head 为每个 RoI 预测类别独立掩码，RoIAlign 用连续坐标插值避免量化偏移。

关键发现

  • 精确空间对齐对掩码任务至关重要。
  • 分类、box 与 mask 可在共享特征上并行学习。
  • 同一框架可扩展到人体关键点。

局限或疑问

  • 两阶段与逐实例 mask 增加计算。
  • 固定 mask 分辨率限制细边界。
  • 检测、分割和关键点共享框架，不代表它们是同一任务。

原始链接

相关页面

Metadata
{
  "id": "2026-07-14-mask-r-cnn",
  "type": "source",
  "title": "Mask R-CNN：实例分割与 RoIAlign",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "ICCV 2017",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "segmentation",
    "object-detection",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Kaiming He",
    "Georgia Gkioxari",
    "Piotr Dollár",
    "Ross Girshick"
  ],
  "published_at": "2017-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1703.06870",
    "https://openaccess.thecvf.com/content_ICCV_2017/html/He_Mask_R-CNN_ICCV_2017_paper.html",
    "https://arxiv.org/pdf/1703.06870",
    "https://github.com/facebookresearch/Detectron"
  ],
  "raw_entry": "raw/ingest/2026-07-14-mask-r-cnn/",
  "analysis_note": "raw/ingest/2026-07-14-mask-r-cnn/analysis.md",
  "topics": [
    "topics/vision-task-foundations",
    "topics/computer-vision-overview"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}