将采取尖端的深度进修技能（这种技能还未被 Google、Amazon 等公司投入贸易化应用），然则也不克不及太过于新鲜（以便于我们可以在网上找履新考例子）

我们最早的设法主意是大年夜医疗项目入手，因为医疗范畴与我们的初志很接近，并且那时认为（如今依然认为）深度进修在医疗范畴还存在着大年夜量机会。然则，我们意识到这将违背有关于数据收集那一条，数据要轻易获取的原则。是以我们退而求其次，选择了做背景清除（Background removal）。

背景清除这项义务如不雅由仁攀类纯手工来做，或者借助诸如 Photoshop、Power Point 等对象来实现都是异常简单的。然而，全主动化的背景清除倒是一项充斥挑衅的义务。并且根据我们的懂得，今朝还没有一款产品可以或许在背景清除义务中实现异常好的效不雅，不过有些厂商已经进行了测验测验。

那么问题来了，我们须要清除什么样的背景？这是一个很重要的问题。因为一个模型越是具体（比如说对物体、角度等方面有具体规定），它最后的瓜分效不雅页跃?。在我们刚开端时，我们将这个范围定义得比较广：一个通用的背景清除器将可以或许大年夜任何类型的图片中主动辨认出前景与背景。然则在我们练习出了第一个模型之后，我们意识到如不雅将精力集中于一组特定的图像上，将取得更好的效不雅。是以，我们决定专注于肖像以及自拍类型的┞氛片。

数据问题

背景清除样例

自拍的图像具有凸起和集中的前景（一个或者多个 “人”），如许使得背景和物体（脸部和上半身）间能实现较好的瓜分，并且能保持一个相对稳定的角度。

在做了这些根本假设之后，我们开端潦攀理论研究、代码实现和长达数小时模型练习的路程，以创建可以或许一键轻松清除背景的办事。个中最重要的一部分工作是练习模型，然则也不克不及低估了精确安排模型的重要性。别的当缁ゎ好的瓜分模型还无法像分类模型（比如 SqueezeNet）那么紧凑。并且我们还主动检查了办事器和浏览器的安排选项。

如不雅你想懂得更多关于我们产品的安排过程，建议你去浏览这两篇文┞仿，它们分别大年夜办事器端和客户端的角度介绍了该项目。

如不雅你只是想懂得模型和它的练习过程，那么请接着浏览吧。

语义瓜分

当我们开端卖力思虑深度进修和计算机视觉中各项技巧的时刻，显而易见的，最适于用来实现背景清除义务的技巧是语义瓜分。

当然也有其它的策略，比如说经由过程深度检测器实现瓜分，然则这个对于我们而言似乎还不敷成熟。

语义瓜分（Semantic segmentation）是一项众所周知计算机视觉义务，与图像分类和物体检测并列为计算机视觉范畴的三大年夜挑衅。瓜分的过程可以视为将图像中的每个像素点分类到图像中某一个物体类别上，所以瓜分实际上也是分类义务。与图像分类或检测不合，语义瓜分真正展示出了对图像 “懂得”。因为它并不只是简单地指明 “图像中有只猫”，并且还在像素的级别上直接指出了图中的猫在哪个地位，以及猫所占典范围。

　　推荐阅读

　　2018年Python值得关注的开源库、工具和开发者

【限时免费】岁尾最强一次云计算大年夜会，看传统、社区、互联网企业若何碰撞？ 1、开源库Web 范畴：Sanichttps://github.com/channelcat/sanic这个库的名字和之前一个很火的梗有关，有人在>>>详细阅读

本文标题：详解如何用深度学习消除背景，实现抠图

地址：http://www.17bianji.com/lsqh/40214.html

 1/2    1