Mask R-CNN: تقسیمبندی نمونه با ماسکهای سطح پیکسل
Mask R-CNN یک چارچوب یادگیری عمیق برای تقسیمبندی نمونه است که توسط کاینگ هه، جورجیا گکیوکاری، پیوتر دولار و راس گیرشیک در تحقیقات هوش مصنوعی فیسبوک (FAIR) در سال ۲۰۱۷ معرفی شد. این روش با افزودن یک شاخه موازی که یک ماسک دودویی در سطح پیکسل برای هر نمونه شیء تشخیص داده شده پیشبینی میکند، Faster R-CNN را گسترش میدهد و امکان تشخیص همزمان شیء، طبقهبندی و تقسیمبندی دقیق را در یک گذر رو به جلو فراهم میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. IEEE International Conference on Computer Vision (ICCV), 2980–2988. DOI: 10.1109/ICCV.2017.322 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Mask R-CNN (Instance Segmentation). ScholarGate. https://scholargate.app/fa/deep-learning/mask-rcnn
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Faster R-CNNیادگیری عمیق↔ compare
- یونِتیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →