[人工智能]抠图（深度学习）

抠图

图像分割

抠图

显著性检测

背景

语义分割：语义分割会为图像中的每个像素分配一个类别，但是同一类别之间的对象不会区分，区分不同类，不能区分不同人

实例分割：只对特定的物体进行分类。这看起来与目标检测相似，不同的是目标检测输出目标的边界框和类别，实例分割输出的是目标的Mask和类别。

全景分割：能区分不同人，能知道谁是运动的

由于带透明度，背景替换后所以背景看着比较真实

输入先验，进行抠无穷类图

不需要先验，主要是看是否显著性的吸引注意力的

可以扣无穷类别

绿幕抠图对于绿色的东西。会出现颜色失真

单RGB方法

2015年J.Long 给出了当时全像素级分割的最佳解决方案，Fully Convolutional Network 全卷积神经网络。FCN在网络架构上不再使用全连接层，直接从抽象的特征中恢复每个像素所属的类别。这种端对端的网络架构，不仅在速度上远快于像素块分类的方式，而且能够适用于任何大小的图像。

层数过多，反向传播较差

大分辨率–>小分辨率–> 大分辨率

改用金字塔融合，并行方式运行

除了串联、并联的方式

高分辨率网络，保存很多的细节信息

实例分割

感兴趣的画出来，进行训练，特征找到感兴趣的区域，精度较高，比较慢。

现有方式RGB

网络参数量比较大

早期网络：直接融合

三色图，trimap，手动制作，手动涂，应用受到局限

软分割

微软

阿里

场景

精度和速度平衡

解决方案

防抖动

依赖深度

挑战

1、透明物体抠图，深度不能用

2、扣一条线

3、环境复杂

机遇

1、深度得到更多关注

2、定制化RGB-D硬件

关注博主即可阅读全文