Google释出高效能切割模型ShapeMask

Google开发了一种称为ShapeMask的实例切割演算法，能辨识图像中的物体实例，并且产生高精确度的遮罩，现在Google开源ShapeMask模型，让社群有办法以兼具速度和精确度的方法产生图像物件遮罩。

要以程式辨识各种形状、颜色和大小并非简单的工作，但这些工作对于医学图像分析，和照片编辑等应用来说十分重要，因此Google开发出了新图像分割模型ShapeMask。ShapeMask可辨识并追蹤特定物件实例的边界，像是城市街道上有多辆汽车的图像，ShapeMask可以突出显示图像中每辆不同颜色大小的汽车，而突出显示的区域就称为遮罩。

ShapeMask是利用着名的物件侦测模型RetinaNet，来侦测图像中各种物件的位置和大小，但是RetinaNet模型并无法产生物件的遮罩，因此Google在以RetinaNet定位物件之后，会将相似外观的画素进行分组，逐步完善侦测到的物件形状，最终产生精确的遮罩。

Google提到，对于依赖自动化图像分割的应用程式，开发者通常需要使用大型资料集，且又需要频繁的变更资料集，为了快速迭代大型逼真的资料集，企业需要扩展图像分割模型训练的规模。

而ShapeMask在大批次的训练，比其他图像分割模型还要有效率得多，因为ShapeMask可以在大数量的机器学习加速器上，进行分散式的ShapeMask训练。Google以256核心的Cloud TPU v3分片，在40分钟内就可以完成以COCO图像分割资料集训练ShapeMask模型，这比起8核心的单一Cloud TPU装置所花费的数小时，还要快上许多，而且无论以哪一种规模的Cloud TPU Pod来运算ShapeMask模型，都不需要修改任何程式码。