Guo_Python的博客

抠图Image Matting（精细化分割/图像去背景）旨在从图像中精确提取前景对象，并处理前景与背景之间的透明度过渡区域（如头发、烟雾等半透明区域）。其核心是通过预测每个像素的透明度值（Alpha通道），实现软分割（Soft Segmentation）。对于一张图I， 我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha。

主要过程包括：平滑、梯度计算、二值化、边框处理，以及形态学操作。

介绍基于MMSegmentation训练自己的数据集。

1.nn.BCEWithLogitsLoss() 与nn.CrossEntropyLoss() 工程代码参考：https://github.com/milesial/Pytorch-UNet.git （1）nn.BCEWithLogitsLoss() 一般用于两个类别的分割，只有前景和背景。 （2）nn.CrossEntropyLoss() 一般用于多个类别的分割。 具体应用见代码和注释：import torchimport torch...

最近在做人体解析，即把人体的各个部位分割出来。博主用了Unet和Unet++作为baseline进行了对比， 发现Unet++的效果不错，在此分享给大家。

用训练好的mask rcnn模型对图片进行预测时，如何生成标签。即将mask rcnn预测的mask信息转化为标注需要的segmentaton信息。

做实例分割时，经常会遇到mask的相关问题，本文着重介绍由segmentation生成mask的二值图以及两个mask的iou计算。

Cascade Mask R-CNN是在Mask R-CNN基础上的改进版本，其精度要高于Mask R-CNN, 本文讲带你如何训练Cascade Mask R-CNN。

SOLO实例分割算法原理简单，并且分割精度达到mask R-CNN的水平，用了Matrix NMS（SOLOV2中的内容）后，其推理速度明显快于mask R-CNN，本文会带你一步一训练自己的数据集。solov2官方也开源了，同样适用。