Mask-RCNN 是何凯明继Faster-RCNN后的又一力作，集成了物体检测和实例分割两大功能，并且在性能上上也超过了Faster-RCNN。其基本结构如下：
Mask R-CNN是一个实例分割模型，它能确定图片中各个目标的位置和类别，给出像素级预测。所谓“实例分割”，指的是对场景内的每种兴趣对象进行分割，无论它们是否属于同一类别——比如模型可以从街景视频中识别车辆、人员等单个目标。下图是在COCO数据集上训练好的Mask R-CNN，如图所示，大到每一辆车，小到单根香蕉，它都能用窗口标出目标物品在画面中的像素位置。
不同于Faster R-CNN这样的经典对象检测模型，Mask R-CNN的一个特点是可以给窗口内表示对象轮廓的像素着色。可能有人会觉得这是个鸡肋功能，但它对自动驾驶汽车和机器人控制意义非凡：
着色可以帮助汽车明确道路上各目标的具体像素位置，从而避免发生碰撞；
如果机器人想抓取某个目标物品，它就需要知道位置信息（如亚马逊的无人机）。
如果只是单纯想在COCO上训练Mask R-CNN模型，最简单的方法是调用Tensorflow Object Detection API，具体内容Github都有，此处不再详谈。
Mask R-CNN的工作原理
在构建Mask R-CNN模型之前，我们首先来了解一下它的工作机制。
事实上，Mask R-CNN是Faster R-CNN和FCN的结合，前者负责物体检测（分类标签+窗口），后者负责确定目标轮廓。如下图所示：
它的概念很简单：对于每个目标对象，Faster R-CNN都有两个输出，一是分类标签，二是候选窗口；为了分割目标像素，我们可以在前两个输出的基础上增加第三个输出——指示对象在窗口中像素位置的二进制掩模（mask）。和前两个输出不同，这个新输出需要提取更精细的空间布局，为此，Mask R-CNN在Faster-RCNN上添加一个分支网络：Fully Convolution Networ（FCN）。
FCN是一种流行的语义分割算法，所谓语义分割，就是机器自动从图像中分割出对象区域，并识别其中的内容。该模型首先通过卷积和最大池化层把输入图像压缩到原始大小的1/32，然后在这个细粒度级别进行分类预测。最后，它再用上采样和deconvolution层把图还原成原始大小。
因此简而言之，我们可以说Mask R-CNN结合了两个网络——把Faster R-CNN和FCN纳入同一巨型架构。模型的损失函数计算的是分类、生成窗口、生成掩模的总损失。
由于MASK-RCNN训练时间较长，我们使用matlab提供的训练后的MASK-RCNN进行测试，下载
https://www.mathworks.com/supportfiles/vision/data/maskrcnn_pretrained_person_car.mat
这个是训练好的可以识别车辆和行人的MASK-RCNN模型。训练好的模型，其数据如下：
targetSize = [700 700 3];
imgSize = size(img);
[~, maxDim]= max(imgSize);
resizeSize = [NaN NaN];
resizeSize(maxDim) = targetSize(maxDim);
img = imresize(img, resizeSize);
trainSize = [800 800 3];
classNames = {'person','car','background'};
numClasses = 2;
params = createMaskRCNNConfig(trainSize, numClasses, classNames);
Envs = "cpu";
maskSubnet = helper.extractMaskNetwork(net);
%MaskRCNN
[boxes, scores, labels, masks] = detectMaskRCNN(net, maskSubnet, img, params, Envs);
if(isempty(masks))
overlayedImage = img;
else
overlayedImage = insertObjectMask(img, masks);
end
figure
imshow(overlayedImage)
showShape("rectangle", gather(boxes), "Label", labels, "LineColor",'g')通过MATLAB仿真，可以实现如下的仿真结果：
为资源。