大家好，我是考100分的小小码 ，祝大家学习进步，加薪顺利呀。今天说一说神奇的 Animal Matting 算法，毛发抠图不是事,希望您对编程的造诣更进一步.
一、前言
抠图是个体力活。
抠图最难的，就是处理毛发。
想没想过，有一天，算法直接帮你自动抠图？细致到毛发的那种！
毛发的分割都不是问题！
新鲜热乎刚出炉的 Image Matting 算法，你值得拥有。
老规矩，今天，继续手把手教学。
算法原理、环境搭建、效果实现，一条龙服务，尽在下文！
二、Animal Matting
抠图问题的核心是精确地将图像或视频中的前景估计出来，对图像编辑，影片剪辑等都有很深的意义。
最新发表的论文 End-to-end Animal Image Matting ，只需要一张图，无需任何先验知识，即可实现端到端的抠图，效果非常惊艳。
论文提出了一个名为 GFM 的抠图模型，该模型可同时生成全局语义分割和局部 alpha mask。
同时，论文也开源了第一个自然动物图像抠像数据集 AM-2k，并设计了基于高分辨率背景数据集 BG-20k 的 RSSN 合成数据方法。
GFM 网络结构如下：
网络结构：是一个编码解码器的结构，编码器由两个平行的解码器共享。
被共享的编码器：以在 ImageNet 上预训练的 ResNet-34 或 DenseNet-121 作为编码器。
Glance Decoder（GD）： 用于学习高层语义信息。在编码器的第四个模块之后，加入金字塔池化模块（PPM）输出全局上下文，用于 GD 中。
Focus Decoder (FD)：用于在低结构特征中提取细节。在编码器的第四个模块之后，加入桥联模块（BB）收敛不同域中的局部上下文。并结合 U-net，将 FD 与编码器的对应模块进行跳跃连接，训练 FD。
最后，以不同的表征域，连接 GD 和 FD 的输出结果。
GFM-TT：以真实 alpha 掩摸膨胀和腐蚀的 3 类 trimap T 作为 GD 监督信号、以未知过渡域的 alpha 掩摸作为 FD 监督信号。
GFM-FT：以 2 类前景分割 mask 作为 GD 的监督信号、以未知过渡域的 alpha 掩膜作为 FD 监督信号。
GFM-BT：以 2 类背景分割 mask 作为 GD 的监督信号、以未知过渡域的 alpha 掩膜作为 FD 监督信号。
最后，通过协同合作抠图（CM），将上述三个不同的表征域的结果，进行合并，获得最终的 alpha 预测。
更详细的内容，可以直接看 paper：
三、效果测试
Github 项目地址：github.com/JizhiziLi/a…
第一步：搭建测试环境。
根据 Requirements.txt 安装依赖库即可，很简单。
第二步：下载训练好的模型权重文件。
下载地址（需翻墙）：点击查看
第三步：在工程目录，运行程序。
python ./core/test_samples.py --cuda --arch="e2e_resnet34_2b_gfm_tt" --model_path="models/model_r34_2b_gfm_tt.pth" --pred_choice=3 --hybrid
samples 目录下的 original 目录保存原始图片；
samples 目录下的 result_alpha 目录保存分割 mask ；
samples 目录下的 result_color 目录保存提取结果。
我将程序和权重文件都进行了打包，嫌麻烦，可以下载直接使用。
下载地址（提取码：s6uh ）：
运行效果：
运行速度很快，运行效果展示：
四、最后
算法只针对动物，想对人进行抠图，需要自己制作数据集以及训练模型。
文章持续更新，可以微信公众号搜索【JackCui-AI】第一时间阅读，本文 GitHub github.com/Jack-Cheris… 已经收录，有大厂面试完整考点，欢迎 Star。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
转载请注明出处: https://daima100.com/13761.html
