共计 2061 个字符，预计需要花费 6 分钟才能阅读完成。
谈到人像抠图想必大家都不生疏。在影视剪辑、直播娱乐、线上教学、视频会议等场景中都有人像宰割的身影，它能够帮忙用户实时、精准地将人物和背景精准辨认进去，实现更精细化的人物美颜、背景虚化替换、弹幕穿人等，进一步晋升视觉利用体验。
高精度的实时人像抠图模型始终是学术和产业界钻研的重点，为此 PaddleSeg 团队开源了多场景笼罩的 PP-HumanSeg 人像系列模型：
-
PP-HumanSeg 提供了 3 个高精度的人像宰割模型：
有利用于服务端 GPU 部署的 PP-HumanSegl 模型，有实用于挪动端的轻量 PP-HumanSegm 模型，还有可能在浏览器部署的超轻量模型 PP-HumanSegs 模型。
- 提供了欠缺的服务端、挪动端、Web 端部署文档，尤其是 Web 端提供了产业级的实时人像宰割解决方案。
近期“百度视频会议”也上线虚构背景性能，反对用户在视频会议时进行人像背景切换。这个性能正是基于 PP-HumanSeg 提供的超轻量的 PP-HumanSegs 来实现。通过 Padddle.js 实现了在 Web 端部署，间接利用浏览器的算力进行实时人像抠图，成果受到统一好评！
模型性能如此之好，是不是急不可待地想晓得如何实现的？
大规模数据合成和数据加强
在训练集里有各种比例的图片，有横屏的，有竖屏的。如果间接应用缩放变形等数据加强形式，会间接导致形变失真，反而不会晋升精度。针对此类问题，采纳维持图像纵横比缩放、Padding 补齐等形式缩放图像达到原图比例。通过这些形式解决后图像不会失真，训练精度也失去了晋升。
针对人像标注样本少的问题，应用标注信息和背景图合成的形式进行数据生成，数据量的裁减晋升了模型的精度。
轻量级网络设计形式
对于挪动端和网页端的人像宰割，一个高效的轻量级网络必不可少，在这里为大家总结了一些轻量化要害设计办法。
要害一：深度可拆散卷积
深度可拆散卷积是一种卷积合成形式，将一般卷积合成为 Depthwise Convolution 和 Pointwise Convolution，次要目标是缩小计算量和参数量，此形式已被广泛应用在轻量级卷积网络中。
要害二：Channel Shuffle（通道洗牌）
在深度可拆散卷积中用到的 Depthwise Convolution 会将所有的 channel 分组，每个 channel 分为一组，这就导致组与组之间无信息替换。Channel Shuffle 通过对 group convolution 之后的特色图进行“重组”，能够保障接下了采纳的 group convolution 输出来自不同的组，因而信息能够在不同组之间流转。
要害三：Skip-connection（跳跃连贯）
对于宰割工作，空间域信息十分重要。支流的宰割网络均采纳 encoder-decoder 构造。网络的 encoder 局部通过下采样层把特色图分辨率降得十分小，这一点不利于准确的宰割 mask 生成，通过 skip-connection 跨层连贯编码器和解码器，更利于生成精密的 mask。Skip-connection 间接复用 encoder 的特色，简直不减少计算量，性价比十分之高！
要害四：上采样办法
Decoder 的次要目标是将低分辨率信息的特色复原到高分辨率。为了实现这个目标就须要上采样。罕用的上采样形式有四类：转置卷积、反池化、插值、亚像素卷积。
当应用转置卷积进行上采样的时候，容易呈现棋盘效应（左图肩膀处）。开发团队为均衡计算量、显存占用和成果，最终采纳深度可拆散卷积 + 双线性插值，在放弃高效计算的同时解决了棋盘效应问题。
综合思考上述四个要害，开发团队设计了 Web 端超轻量级模型 PP-HumanSegs。
优化损失函数解决类别不平衡
人像在整张图片中所占的比例往往较小，存在前景背景类别占比不平衡的问题。罕用的 Cross Entropy Loss 会偏心解决正负样本，当呈现正样本占比拟小时，就会被更多的负样本吞没。通过扭转损失函数，应用 Lovasz loss 来升高正负样本不平衡的问题。
光流后处理优化
视频宰割存在一个问题：视频帧间不连贯，边缘局部闪动重大，为此研发团队利用时序信息联合光流法，对宰割后果进行优化。采纳光流解决办法，将光流预测后果与宰割后果进行交融，这样就能够参考上一帧的静止信息，使得前后帧变换绝对更加稳固，缩小边缘的闪动。
原图 (左) 未加光流成果 (中) 加光流成果 (右)
心动不如口头，大家能够间接返回 Github 地址取得残缺开源我的项目代码，记得 Star 珍藏反对一下哦：
https://github.com/PaddlePadd…
百度 AI 开发者社区 https://ai.baidu.com/forum，为全国各地开发者提供一个交换、分享、答疑解惑的平台，让开发者在研发路上不再“孤军奋战”，通过一直地交换与探讨找出更好的技术解决方案。如果你想尝试各种人工智能技术、开辟利用场景，赶快退出百度 AI 社区，你对 AI 的所有畅想，在这里都能够实现！
扫描下方二维码，增加小助手微信「京东卡、小度定制周边、神秘礼盒、行李箱」等更多福利你来拿~