科技俱乐部菌这个研究专门给动物抠图，毛发分明，人像抠图满足不了研究者了( 二 ) 选自arXiv作者：JizhiziLi、DachengTao

AM-2k数据集包含20个类别的2000张高分辨率自然动物图像，并且具备手动标注的前景蒙版。研究者将该数据集分割为训练集和验证集，并设置了两个评估track：ORI-Track(OriginalImagesBasedTrack)和COMP-Track(CompositeImagesBasedTrack) 。
下表展示了AM-2k数据集与现有抠图数据集的对比情况：

文章图片
该数据集中的示例参见下图：

文章图片
实验
定量和主观评估
下表2展示了多种SOTA方法在AM-2kORI-Track上的结果：

文章图片
与SOTA方法相比， GFM在所有评估指标上均超过它们，通过同时分割前景和背景图像以及在过渡区域抠图，取得了最优性能。
下图6展示了不同方法在AM-2kORI-Track上的定性对比结果：

文章图片
【科技俱乐部菌这个研究专门给动物抠图，毛发分明，人像抠图满足不了研究者了】从图中可以看出， SHM、LF和SSS无法分割一些前景部分，因为其分段式结构导致模型无法显式地分辨前景/背景和过渡区域。语义分割和抠图细节是很难平衡的，分别需要全局语义特征和局部结构特征。 HAtt和SHMC无法获得过渡区域的清晰细节，因为全局指引有助于识别语义区域，但对细节抠图的用户就没那么大了。
相比而言， GFM获得了最优结果，这得益于其统一模型，使用单独的解码器处理前景/背景和过渡区域，并以协作的方式进行优化。
模型集成和混合分辨率测试
如下表3所示，模型集成的结果优于单个模型：

文章图片
控制变量研究
控制变量研究结果如下表4所示：

文章图片
模型复杂度分析
如下表5所示，使用DenseNet-121或ResNet34作为主干网络的GFM在运行速度上超过SHM、LF、Hatt和SHMC ，它们处理一张图像分别只需大约0.2085s和0.1734s 。

文章图片
论文地址：https://arxiv.org/pdf/2010.16188v1.pdfGitHub地址：https://github.com/JizhiziLi/animal-matting

科技俱乐部菌 这个研究专门给动物抠图，毛发分明，人像抠图满足不了研究者了( 二 )

科技俱乐部菌这个研究专门给动物抠图，毛发分明，人像抠图满足不了研究者了( 二 )