详解如何用深度学习消除背景，实现抠图

练习

我们按照原始论文所述的方法对模型进行了练习：标准的交叉熵、采取 1e-3 进修率的 RMSProp 优化器和较小的衰减值。我们将精简后的 1.1 万张图像分成了 70% 的练习集和 20% 的验证集，以及 10% 的测试集。接下来展示的所有图片均来自测试集。

为了包管我们的练习过程与论文中的保持一致，我将 Epoch size 设置为每 500 张图像，这使得我们可以或许跟着每个结不雅的改进而按期保存模型，因为我们对更多的数据进行了练习（原论文应用的 CamVid 数据集包含的图像少于 1 千）。

此外，我们只在两种类别长进行练习：背景与人，而论文中则应用了 12 种类别。我们一开端测验测验在 COCO 的类别长进行练习，然则发明这对练习并没有太大年夜赞助。

一些数据集的缺点阻碍了模型的表示才能：

动物——我们的模型有时刻瓜分动物，这将导致较低的 IoU。在我们义务中往重要类别增长动物进去或者是其它器械将导致结不雅变差。
动物，躯干棘手持物体
- 正如一开端所说的，我们的目标是开辟出一款具有意义的深度进修产品。正如你可以在 Alon 的贴子里看到的那样，安排相对而言加倍轻易和快速。另一方面，模型的练习擦?鲱棘手的——特别是须要花上一晚的时光进行练习，此时你就须要进行细心筹划、调试和记录结不雅。
  手持物体——数据集中典范多图像都是与活动有关的，图中人物老是伴跟着棒球棒、网球拍和滑雪板等出现。我们的模型在某种程度上混淆了应当若何去区分图中的人和物。与在动物的案例一一样，将它们归为主体的一部分或则区分开来都将有助于进步模型的表示力。
- 粗拙的┞锋实数据（Ground truth）——COCO 数据集不是按像素进行逐个标记，而是应用了多边形进行标注。有些时刻，这种程度的标注已经足够了，然则有些时刻，如许的┞锋实数据照样过于粗拙，大年夜而阻碍了模型的进修。
  5/8 首页上一页 3 4 5 6 7 8 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