Google为云端TPU运算服务开源释出两套影像分割模型

Google

Google最近为云端TPU运算服务开发了两套影像分割（segmentation）模型，分别是Mask R-CNN和DeepLab v3+，Google指出，两套模型的效能和成本不同，使用者可依据自家业务或是产品的需求，来选择适合的模型和TPU配置，且为了方便开发者处理影像分割的过程，Google还将两套模型开源释出。

Google在2017年5月推出云端TPU运算服务，就是为了加速机器学习应用，包含影像辨识、语言模型和强化学习等，现在推出两套专为云端TPU运算服务打造的影像分割模型，是为了使机器学习研究员、工程师、App开发者、学生等，能够更快速地训练出符合真实世界影像分割需求的自家模型。

影像分割是在图像中标注区域的过程，通常需要细分到像素等级，目前有两种较常见的影像分割方法，包含实例（instance）分割和图像语义（semantic）分割，实例分割的过程，能够针对一个或是多个物体类别的每个个别实例，给予一个距离标注，举例来说，在一张全家福的照片中，包含了多个人物，用实例分割方法的模型会自动用不同颜色标注每个人。另一种则是图像语义分割，该方法会根据物体的类别或是结构，来标注图片中的每个像素，像是一张城市的街景图可能会有人行道、建筑物、行人、车辆等标籤。

自动驾驶、地理空间影像处理和医疗影像等其他的应用，通常都需要这些影像分割的技术，甚至是在一些特定的照片和影片编辑处理中，像是散景（bokeh）或是去背，影像分割都扮演着重要的角色，而开发者在使用影像分割模型时，会考量多种因素，包含模型準确度、训练成本和时间等，为了协助开发者找出适合自家的影像分割模型，Google用标準的影像分割资料库，训练了Mask R-CNN和DeepLab v3+，并收集了训练相关的数据，提供开发者参考。

为了达到影像分割最佳的效能，需要整合极快的硬体和最优化的软体，Mask R-CNN是一个两阶段的实例分割模型，能够用来定位影像中的多个物体，第一阶段先从输入影像中萃取出特徵，并产生区域分割建议，这些区域被模型认为含有目标物体，而第二阶段则是过滤并精化区域分割建议，进而预测每个物体的类别，以及为每个物体生成一个像素级的遮罩（mask）。

在Mask R-CNN模型的实验中，Google发现，在模型的训练时间和準确率之间，必须有所取捨，模型準确率在不同的应用中，会有不同的要求，对有些应用来说，训练时间可能是首要考量因素，但对于其他应用而言，準确率才是最重要的，而模型所需的训练时间，也会依据训练样本数和TPU硬体配置而有所不同，

另外，DeepLab v3+则是个快速又準确的语义分割模型，使得在图像中标注区域的工作变得更加容易，举例来说，照片编辑应用可能会用DeepLab v3+模型，来自动选出风景照中，所有包含天空的像素。Google在去年就宣布，开源释出最初版的DeepLab v3+，而现在则是推出针对云端TPU更加优化过的版本，Google在TensorFlow 1.13框架中，搭配云端TPU v2和 TPU v3 的硬体，用PASCAL VOC 2012资料集训练DeepLab v3+模型，若只用单个云端TPU v2设备来训练，DeepLab v3+模型能在大约8小时内完成训练，且成本少于40美元。