青年|人人可用的在线抠图，AI自动化的那种！北大校友的算法玩出新高度 |低薪|北大|

杨净发自凹非寺量子位报道 | 公众号 QbitAI
现在人人可试可玩的图像分割来了。
在线API ，只需输入图片网址，即可自动删除目标背景。

本文插图
就拿今天凌晨刚夺得欧冠冠军的拜仁来试试手～

本文插图
然后就变成了这样。

本文插图
不过，也有翻车的时候，就像这头大象。

本文插图
分割之后…诶，它的另一只牙去哪了？

本文插图
以及，在同时有手和猫的时候。

本文插图
它呈现的结果就……有点怪异。

本文插图
【青年|人人可用的在线抠图，AI自动化的那种！北大校友的算法玩出新高度】
这项新应用名叫ObjectCut ，在Reddit上一经发布， 12小时就获得700+的热度。

本文插图
不少网友表示：It’s amazing！
简单三步，人人可试可玩
就以上面那头大象为例，使用步骤非常简单。
首先，任意选择一张图片，复制图片地址。

本文插图
第二步，网站上将地址粘贴到指定位置，然后点击Test Endpoint 。

本文插图
等待几秒之后，点击旁边生成的网址，就大功告成啦！

本文插图
然后就变成了这样一头少了一颗牙的大象。

本文插图
还是那个北大校友的研究
是不是觉得这项技术很熟悉，简单几步就可以去移除图片背景？
跟之前的AR应用AR Cut &amp Paste——将现实物体隔空「复制粘贴」进电脑有异曲同工之妙。

本文插图
这两项应用背后的主要技术，都是一个叫做BASNet的显著目标检测方法。
这篇研究入围了CVPR 2019 ，其论文一作是位华人小哥哥——秦雪彬，已经于今年2月在在加拿大阿尔伯塔大学拿到了博士学位，硕士就读于北京大学。

本文插图
BASNet的核心框架如下图所示，主要由2个模块组成：

本文插图
第一个模块是预测模块，这是一个类似于U-Net的密集监督的Encoder-Decoder网络，主要功能是从输入图像中学习预测saliency map 。分页标题
第二个模块是多尺度残差细化模块(RRM) ，主要功能是通过学习残差来细化预测模块得到的Saliency map ，与groun-truth之间的残差，从而细化出预测模块的Saliency map 。
而除了BASNet ，还有网友推荐了U2-Net ，依然来自同一个作者，其效果更好。

本文插图
其研究是《U2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection》
实验结果像这样：

本文插图
同一项技术，不一样的玩法，你觉得这个方法还可以做什么有趣的应用？
网址：https://rapidapi.com/objectcut.api/api/background-removal参考链接：https://www.reddit.com/r/MachineLearning/comments/if1sdg/p_objectcut_api_that_removes_automatically_image/
声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。邮箱地址：newmedia@xxcb.cn