详解如何用深度学习消除背景，实现抠图

那么瓜分毕竟是若何实现的呢？为了更好的懂得这一点，我们将回想一下该范畴的一些早期工作。

哪些器械是没被做过的（或者说还不敷完美）

躯干——因为我们是经由过程法度榜样主动化地过滤了数据集，所以无法断定一张包含有人物的图片是真的有一小我，照样说仅仅只有一些躯干，比如手或者脚。这些图像并不在我们的目标范围内，然则它们照样涌如今了数据集中。

最早的设法主意是采取一些早期的分类收集，比如 VGG 和 Alexnet。VGG 是 2014 年用于处理图像分类义务最先辈的模型，并且因为它简单清楚明了的收集构造，使得它在今天依然异常有效。在 VGG 较靠前的收集层中，在要进行分类的物体四周会具有较高的激活，并且在更深的层次中将具有更强的激活。然则因为反复的池化（Pooling）操作使得这些激活的性质相对粗拙。有了这点根本懂得之后，我们可以假设分类练习模型在进行一些调剂之后也能被应用于寻找或者瓜分图像中的物体。

语义瓜分的早期结不雅与分类算法一路出现。在这篇文┞仿中，你将看到一些经由过程 VGG 实现的瓜分结不雅，然则结不雅比较粗拙。

较河畔收集的结不雅：

校车的瓜分结不雅，浅紫色（29）代表了校车类别

经由双线性上采样之后：

这些结不雅仅来自于将全连接层转换为原始外形，而保持了本来的空间特点。在上边所展示的实例中，我们输入一张 768*1024 的图像到 VGG 中，然后获得一层 24*32*1000，个中 24*32 是该图像池化后的版本，而 1000 则指的是 Image-net 的类别数量，大年夜中可以导出瓜分结不雅。

为了实现腻滑猜测，研究察应用了一个简单的双线性上采样层。

在 FCN 的论文中，研究察进一步改进了上述的办法。他们连接了一些层次，以便于获取更多的特点解释，并且根据上采样率，分别被定名为 FCN-32、FCN-16 和 FCN-8。

在层之间添加一些跳跃连接许可猜测器大年夜原始图像获取更精细的细节。进一步的练习更能进步结不雅。

这种技巧本身并不像以前所想那么糟糕，并且证清楚明了深度进修在语义瓜分范畴的潜力。

FCN 的处理结不雅，图像来自论文

FCN 为语义瓜分打开了一扇通往新世界的大年夜门，研究察为此义务测验测验了不合的收集构造。然则核心思惟保持不变：应用已知的构造、上采样和收集层间跳跃连接。这些技能在较新的模型中依然常见。

你可以在这几个贴子中进一步获取语义瓜分范畴的成长情况：

http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review
https://blog.athelas.com/a-brief-history-of-cnns-in-image-segmentation-from-r-cnn-to-mask-r-cnn-34ea83205de4
-https://meetshah1995.github.io/semantic-segmentation/deep-learning/pytorch/visdom/2017/06/01/semantic-segmentation-over-the-years.html

别的你可能也发清楚明了，大年夜多半语义瓜分办法都保持了编码 - 解码（Encoder-decoder）的架构模式。

3/8 首页上一页 1 2 3 4 5 6 下一页尾页

　　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