Como funciona o maskrcnn?

Como um observador curioso no domínio da visão computacional e do aprendizado de máquina, estou intrigado com os recursos do Mask R-CNN, uma estrutura de última geração para detecção e segmentação de objetos. Você poderia explicar como funciona o Mask R-CNN? Especificamente, estou interessado em compreender os principais componentes e mecanismos que permitem identificar e localizar objetos em uma imagem, ao mesmo tempo que gera máscaras em nível de pixel para cada objeto detectado. Além disso, gostaria de saber como o Mask R-CNN se baseia em seu antecessor, Faster R-CNN, e quais melhorias ele traz para o campo de detecção e segmentação de objetos.