Mask R-CNN ますくあーるしーえぬえぬ

---

Mask R-CNNとは

Mask R-CNN は、2017年にFacebook AI ResearchのKaiming Heらが発表したインスタンスセグメンテーションモデルです。Faster R-CNNを拡張し、バウンディングボックス予測・クラス分類に加えて各物体のピクセル単位マスクを出力する第3のヘッドを追加しました。

Mask R-CNNの重要な貢献はROI Alignという技術です。Faster R-CNNが使っていた「ROI Pooling」は量子化（整数切り捨て）による位置ずれがあり、セグメンテーションマスクの精度を下げていました。ROI Alignは双線形補間を使って位置ずれなく特徴を抽出し、マスクの精度を大幅に改善しました。

論文発表から数年経った現在でも、インスタンスセグメンテーションの研究・実用システムにおける基準モデル（ベースライン） として広く使われています。

---

Mask R-CNNのアーキテクチャ

入力画像
    ↓
Backbone（ResNet + FPN）
    ↓
RPN（Region Proposal Network）
    ↓
ROI Align（位置ずれのない特徴抽出）
    ↓
  ┌──────────────────────────────┐
  ↓             ↓               ↓
クラス分類   BBox回帰       マスク予測（28×28のバイナリマスク）
  ↓             ↓               ↓
  └──────────────────────────────┘
    ↓
インスタンスセグメンテーション結果

ヘッド	出力	説明
分類ヘッド	クラスラベル	何の物体か
BBoxヘッド	(x, y, w, h)	正確な位置と大きさ
マスクヘッド	28×28バイナリマスク	物体の輪郭形状

---

歴史と背景

• 2017年：Heら「Mask R-CNN」論文発表。COCO 2017 Instance Segmentation部門で優勝
• 2018年：Detectron（Facebookの検出フレームワーク）でオープンソース化
• 2019年：Detectron2リリース。Mask R-CNNの学習済みモデルが公開
• 現在：SAM（Segment Anything Model）の登場で汎用性は劣るが精度・速度の実用バランスで現役

---

主なインスタンスセグメンテーションモデルの比較

モデル	mAP（COCO）	速度	特徴
Mask R-CNN	37.1	遅め	標準的な高精度
YOLACT	29.8	非常に速い	リアルタイム向け
SOLO	37.8	中程度	シンプルな設計
PointRend	38.3	中程度	境界精度向上

---

関連用語

• インスタンスセグメンテーション — Mask R-CNNが解くタスク
• Faster R-CNN — Mask R-CNNの基盤となったモデル
• セマンティックセグメンテーション — 個体を区別しないセグメンテーション
• グループ正規化 — Mask R-CNNの学習で使われる正規化手法