本文插图
BG-20k 数据集具备以下特征：

本文插图
动物图像抠图数据集 AM-2K
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 (Original Images Based Track) 和 COMP-Track (Composite Images Based Track) 。
下表展示了 AM-2k 数据集与现有抠图数据集的对比情况：

本文插图
该数据集中的示例参见下图：

本文插图
实验
定量和主观评估
下表 2 展示了多种 SOTA 方法在 AM-2k ORI-Track 上的结果：

本文插图
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-2k ORI-Track 上的定性对比结果：


本文插图
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：


本文插图
控制变量研究
控制变量研究结果如下表 4 所示：

本文插图
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 。

本文插图

• 论文地址：https://arxiv.org/pdf/2010.16188v1.pdf
• GitHub 地址：https://github.com/JizhiziLi/animal-matting

• 新时尚观察|旗袍美女人像摄影 中国风的传统风格美 文雅端庄东方时尚
• 互联最熱议OPPO人像视频技术真的秀！这下女生可以“素颜自由”了
• 普拉斯数码5G视频手机该是什么样？OPPO人像视频技术系统带来高分解答
• 小姐姐|体制内女硕士征婚，原来公务员择偶标准有这些，你满足几条？
• 知识网红吴聊先生|人像特写这样拍最美，摄影师们都这样拍
• 金科股份|金科股份：争取在年末实现满足三条红线监管要求
• 澎湃新闻人像抠图已经满足不了研究者了，这个研究专门给动物抠图，毛发根根分明
• 荆州|确定了！城镇户口的子女继承父母农村宅基地，要满足这些条件
• 龙视国际|巴总统态度转变：如果满足这点会批准购买，又想买中国疫苗了
• 阔识游|阔识游人像摄影教程：学会低光人像压光技法，瞬间拍出大片！