Wie funktioniert maskrcnn?

Als neugieriger Beobachter im Bereich Computer Vision und maschinelles Lernen bin ich von den Fähigkeiten von Mask R-CNN fasziniert, einem hochmodernen Framework zur Objekterkennung und -segmentierung. Könnten Sie näher erläutern, wie Mask R-CNN funktioniert? Insbesondere möchte ich die Schlüsselkomponenten und Mechanismen verstehen, die es ermöglichen, Objekte in einem Bild zu identifizieren und zu lokalisieren und gleichzeitig Masken auf Pixelebene für jedes erkannte Objekt zu generieren. Darüber hinaus würde ich gerne wissen, wie Mask R-CNN auf seinem Vorgänger Faster R-CNN aufbaut und welche Verbesserungen es im Bereich der Objekterkennung und -segmentierung mit sich bringt.