2021CVPR顶会冠军带你解密图像分割

Wang_AI

墨衍会员 · AI 创作全网分发码龄12年

关注

转载最新推荐文章于 2026-06-29 11:47:57 发布 685 阅读 AI 写同款· GEO 优化 ›

【Script】使用pyOpenAnnotate搭建半自动标注工具（附python源码） pyOpenAnnotate 阅读详情

最近全球各大新势力造车公司简直不能再火！小编看着蹭蹭飙升的股价实在是眼红的不要不要的。而懂行的人都知道，以特斯拉为首，各大公司都采用计算机视觉作为自动驾驶的技术底座，而其中正是通过图像分割技术，汽车才能分清楚哪里是路，哪里是人。

那图像分割重不重要还需要小编强调么？而今天小编要给大家介绍的这个开源套件，就涵盖业界最前沿的图像分割算法，并效果超群，这就是 PaddleSeg！！OMG，还在等什么？！盘他！盘他！盘他！

在如期举行的全球计算机视觉顶会 CVPR2021 上，PaddleSeg 再次绽放高光。其中 AutoNUE 挑战赛是近年来自动驾驶场景理解领域极具影响力的一场赛事，非常考验参赛者在非结构化环境中的语义分割算法能力。百度 PaddleSeg 团队最终击败其余参赛队伍，在 Level 1， Level 2， Level 3 三项测试指标上均以第一名的成绩摘获冠军。

着急的小伙伴可以直接去看比赛详情：

https://bj.bcebos.com/paddleseg/docs/autonue21_presentation_PaddleSeg.pdf

那么 PaddleSeg 到底是个啥呢？小编去 Github 上去扒了一下官方的解释：

PaddleSeg 是基于飞桨开发的端到端图像分割开发套件，涵盖了高精度和轻量级等不同方向的大量高质量分割模型。通过模块化的设计，帮助开发者完成从训练到部署的全流程图像分割应用。下面小编就给大家讲讲 PaddleSeg 的特点和近期更新的内容：

全新升级了人像分割功能，提供了 web 端超轻量模型部署方案；
推出了精细化的分割解决方案 PaddleSeg-Matting；
开源了全景分割算法 Panoptic-DeepLab，丰富了模型种类；
发布了交互式分割的智能标注工具 EISeg。极大的提升了标注效率。

Web 视频会议

Matting

全景分割

交互式分割

提供了产业级的部署方式。如今又增加了这么多的新功能。可以说 PaddleSeg 已经可以全方位、立体式地满足开发者各个维度的需求。不得不大说一声：、

这么好的产品，还不快上车？

上车地址：

https://github.com/PaddlePaddle/PaddleSeg

产业级人像分割方案PPSeg

人像分割是图像分割领域非常常见的应用，在实际应用过程中人像的数据集来源多种多样，数据可能来源于手机、相机、监控等，图片尺寸可能是横屏、竖屏或者方屏。部署场景多种多样，有的应用在服务器端，有的应用在移动端，还有的应用在网页端。为此 PaddleSeg 团队推出了在大规模人像数据上训练的人像分割 PPSeg 模型，满足在服务端、移动端、Web 端（Paddle.js）多种使用场景的需求。

PPSeg 模型在产业中得到了广泛的应用。近期“百度视频会议”也上线了虚拟背景功能，支持用户在视频会议时进行背景切换。其中人像换背景模型采用 PaddleSeg 团队开发的 PPSeg 系列模型中的超轻量级模型。通过 Padddle.js 实现了在 web 端部署，直接利用浏览器的算力进行图像分割，分割效果受到一致好评。

产业级解决方案详解：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/HumanSeg

小伙伴们也可前去百度首页体验百度视频会议，直观体验一下 PaddleSeg 和 Paddle.js 为大家提供的人像分割功能。

精细化的分割解决方案 PaddleSeg-Matting

随着分割技术的发展，人们对分割的精细化的要求也越来越高。比如在一些影视行业，绿幕作为拍摄的换背景常用的工作，但目标不在绿幕前拍摄，是否还能达到很好的背景分割功能呢？

答案是：能！

最近 PaddleSeg 团队开源的精细化分割解决方案 PaddleSeg-Matting 就很好的解决了这个问题。将目标的发丝实现了精准的分割。

PaddleSeg 通过内建 trimap 生成机制实现 alpha 预测，无需任何辅助信息的输入即可完成预测，极大减少了人工成本。通过共享 encoder 权重减少网络的参数量，并在 decoder 阶段利用 attention module 实现 trimap 信息流对 alpha 预测的指导。然后利用 error map 提取错估区域的 patch，通过 refinement 子网络进行 refine 得到最终的 alpha。

交互式分割智能标注工具

业界对于人工智能有这么一句话：“深度学习有多智能、背后就有多少人工”。这句话直接说出了深度学习从业者心中的痛处，毕竟模型的好坏数据占据着很大的因素，但是数据的标注成本却让很多从业的小伙伴们感到头疼。

为此 PaddleSeg 团队重磅推出的交互式分割智能标注软件EISeg 那具体什么是交互式分割呢？通过下面的动态图来了解一下。

不难发现，交互式分割通过一系列的绿色点（正点）和红色点（负点）实现了对目标对象的边缘分割，交互式分割主要的应用方向是图像编辑和半自动标注，可以应用于精细化标注，抠图，辅助图像后期处理（例如 PS）等场景。

PaddleSeg 团队联合 PaddleCV-SIG 成员基于 RITM 算法，推出了业界首个高性能的交互式分割工具 EISeg，我们支持对 RITM 模型的训练、预测及交互的全流程。PaddleSeg 交互式分割模型不仅仅支持从头训练强大的通用场景模型，还支持对特定场景数据进行 Finetune。我们利用百度自建人像数据集对模型 Finetune，得到预测速度快，精度高，交互点少的人像交互式分割模型。

‍

软件提供多种安装方式，支持用户使用 pip 和 conda 安装，另外 windows 下提供了可执行的 exe 文件，双击.exe 即可运行程序。

全景分割 Panoptic-DeepLab

全景分割是图像分割领域在近年来兴起的一个新领域，由 FAIR 与海德堡大学在2018年首次提出。

什么是全景分割呢？

图像的信息可以分为 thing 和 stuff，其中 thing 表示可数对象，例如车、动物等等，stuff 表示不可数对象，例如沙滩、天空等等。语义分割任务不关注图像中的是 stuff 还是 thing，只关注每个像素所属的语义类别，因此无法实现实例对象的区分。而实例分割关注的是 thing 的分割，将图像中的 thing 识别出来，区分出不同的实例个体以及相应的语义信息，对于 stuff 区域，则统一表示为背景。全景分割是融合了语义分割和实例分割的技术，对于 thing，识别出不同的实例个体以及对应的语义信息，对于 stuff，识别出对应的语义信息。

Panoptic DeepLab 首次以 bottem-up 和 single-shot 算法形式达到 state-of-the-art 性能，相比于 top-down 算法 Panoptic DeepLab 以简单的网络结构实现了精度、速度双超越，开创了全景分割算法新方向，目前 Cityscape 全景分割榜首即基于该算法。