基于Tensorflow实现Mask RCNN，主要参考matterport/Mask_RCNN。

1. contourprocess

   建筑物掩膜的处理

2. largest interior rectangle

   最大内接矩形算法(largest_interior_rectangle)：https://github.com/lukasalexanderweber/lir

   

3. 道格拉斯普克算法

运行DouglasPeuker.py即可

4. 关于config文件

config文件包含两个，一个是在utils文件夹下的config.py，这一配置文件是训练以及推理过程中的基础设置的配置文件，里面包括基础的配置。另一个是根目录下的config文件，继承utils文件夹下的config.py，主要配置训练集，测试图像等路径。

训练的时候注意一点：GPU数量暂时只能设定为1，如果需要多块GPU进行并行训练，可查看matterport/Mask_RCNN中有并行训练模型的代码。

训练数据的结构遵循VOC格式，包含三个文件夹：imgs、mask以及yaml文件夹，分别存放原图、掩膜图像以及yaml文件，如何制作数据集请参考：Semantic-Segmentation-Datasets

制作好数据集后，修改config.py文件，运行train.py文件即可进行训练。

修改config文件后运行inference.py文件即可。

ONNX推理可以参考：Deployment:MaskRCNN

1. Calculating mean Average Recall (mAR), mean Average Precision (mAP) and F1-Score

2. compue_ap

3. 语义分割之评价指标

使用convert.py可以进行模型转换。如将权重和计算图转换成Tensorflow saved_model的格式。也可以将tensorflow的模型转换成ONNX的格式。详情请参考文档。 一些简单的使用例子如下：python .\convert.py --flag --saved_model .\save_model\ --save_onnx ./test.onnx或者python .\convert.py --weight .\model\village_building.h5 --label .\data\building.names --save_onnx ./test.onnx --saved_pb

参数说明：

• weight：待转换的权重文件
• label：标签文件的路径
• saved_pb：是否保存pb文件
• saved_pb_dir：保存pb文件的路径
• saved_model：保存tensorflow模型
• save_onnx：保存onnx文件路径
• opset：onnx算子类型
• flag：带有这个标记说明是tensorflow model模型转换成onnx，否则为权重转换成onnx模型

1. Input image dtype is bool. Interpolation is not defined with bool data type

参考：Input image dtype is bool. Interpolation is not defined with bool data type:pip install -U scikit-image==0.16.2

1. Mask RCNN源码解读
2. Mask RCNN综述以及建筑物实例分割