论文简介

该方法中将整个pipeline划分为两个部分：base和refine部分，前一个部分在缩小分辨率的输入下生成粗略的结果输出，其主要用于提供大体的区域位置定位（coarse predcition）。后一个网络在该基础上通过path selection选取固定数量的path（这些区域主要趋向于选择头发/手等难分区域）进行refine，之后将path更新之后的结果填充回原来的结果，从而得到其在高分辨率下的matting结果。 图1：BGMv2的网络结构，其中蓝色的是base网络，绿色的是refine网络

论文细节

BGMv2的网络分成两个模块： $G_{base}$Gbase 和 $G_{refine}$Grefine 。给定一张输入图像 $I$I 和空屏图像 $B$B ，首先将其降采样 $c$c 倍，得到 $I_c$Ic 和 $B_c$Bc 。 $G_{base}$Gbase 取 $I_c$Ic 和 $B_c$Bc 作为输入，输出同样是降采样尺寸的前景概率 $a_c$ac ，前景残差 $F_c^R$FcR ，Error Map $E_c$Ec 以及隐层节点特征 $H_c$Hc 。然后 $G_{refine}$Grefine 根据 $E_c$Ec 中值较大的像素点取 $H_c$Hc ，$I$I 以及 $B$B 中对应的patch（难样本）来优化 $F^R$FR 和 $a$a ，整个过程如图1所示。

• base网络

BGMv2借鉴了deeplab v3的网络结构，包含骨干网络，空洞空间金字塔池化和解码器三部分组成：

骨干网络：可以采用主流的卷积网络作为，作者开源的模型包括ResNet-50，ResNet-101以及MobileNetV2，用户可以根据速度和精度的不同需求选择不同的模型；空洞空间金字塔池化：（Atrous Spatial Pyramid Pooling，ASPP）是由DeeplabV3提出并在实例分割领域得到广泛应用的结构，人像抠图和实例分割本质上式非常接近的，因此也可以通过ASPP来提升模型准确率；解码器：解码器是由一些列的双线性插值上采样和跳跃连接组成，每个卷几块由 $3\ast 3$3∗3 卷积，BN以及ReLU激活函数组成。

如前面介绍的， $G_{base}$Gbase 的输入是 $I_c$Ic 和 $B_c$Bc ，输出是 $a_c$ac ， $F_c^R$FcR ， $E_c$Ec 以及 $H_c$Hc 。其中Error Map $E_c$Ec 的Ground Truth是 $E\ast$E∗ ，Error Map是一个人像轮廓的一个图。通过对Error Map的优化，可以使得BGMv2有更好的边缘检测效果。

• Refine网络

$G_{refine}$Grefine 的输入是在根据 $E_c$Ec 提取的 k 个补丁块（patches）上进行进行精校， k 可以提前指定选择top- k 个或是根据阈值卡若干个。用户也可以根据速度和精度的trade-off自行设置 k 或者阈值的具体值。对于缩放到原图 $1\mathrm{/}c$1/c 的 $E_c$Ec ，我们首先将其上采样到原图的 1/4 ，那么 $E_4$E4 中的一个点便相当于原图上一个 $4\ast 4$4∗4 的补丁块，那么相当于我们要优化的像素点的个数总共有 16k 个。

$G_{refine}$Grefine 的网络分成两个阶段：在1/2的分辨率和原尺寸的分辨率上进行精校。

Stage 1：首先将 $G_{base}$Gbase 的输出上采样到原图的 1/2 ；然后再根据 $E_4$E4 选择出的补丁块，从其周围在其中提取 $8\ast 8$8∗8 的补丁块；再依次经过两组 $3\ast 3$3∗3 的有效卷积，BN，ReLU将Feature Map的尺寸依次降为 $6\ast 6$6∗6 和 $4\ast 4$4∗4 。

文心大模型

百度飞桨-文心大模型 ERNIE 3.0 文本理解与创作

56

查看详情

Stage2：再将Stage 1得到的 $4\ast 4$4∗4 的Feature Map上采样到 $8\ast 8$8∗8 ，再依次经过两组 $3\ast 3$3∗3 的有效卷积，BN，ReLU将Feature Map的最终尺寸降为 $4\ast 4$4∗4 。而这个尺寸的Feature Map对应的ground truth就是我们上面根据 $E_4$E4 得到的补丁块。最后我们将降采样的 $a_c$ac 和 $F_c^R$FcR 上采样到原图大小，再将Refine优化过后的补丁块替换到原图中便得到了最终的结果。

复现思路

1.在复现过程中我们参考论文中的方法，做了多阶段的训练，并做了修改：

stage1：使用VideoMatte240K数据集做预训练，提升模型鲁棒性。注：由于预训练耗时较长，提供了训练好得模型，方便在自己的数据上微调，模型为stage1.pdparams。

stage2：使用Distinctions646数据集做微调，提升模型细节表现。注：此时模型最好精度为SAD: 7.58，MSE: 9.49，模型为stage2.pdparams。

stage3：使用个人数据集微调。注：本次比赛提交的是stage2模型，因为训练所用数据集都为公开数据集，方便复现。 原作者在论文中也使用了个人数据集微调，但没有公开。因此我增加了自己数据进行训练，没有条件的同学可以利用原工程生成pha作为训练数据。 模型最好精度为SAD: 7.61，MSE: 9.47，模型为stage3.pdparams。

2.添加了原作者新论文中用到的laplacian_loss，可以提高收敛速度。

3.模型api对照表 https://blog.csdn.net/qq_32097577/article/details/112383360?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-2.vipsorttest&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-2.vipsorttest

复现

模型下载 链接：https://pan.baidu.com/s/1WfpzLcjaDJPXYSrzPWvsyQ 提取码：nsfy

训练

• stage1：使用VideoMatte240K数据集做预训练，提升模型鲁棒性。

注：由于预训练耗时较长，提供了训练好得模型，方便在自己的数据上微调，模型为stage1.pdparams。

• stage2：使用Distinctions646数据集做微调，提升模型细节表现。

注：此时模型最好精度为SAD: 7.58，MSE: 9.49，模型为stage2.pdparams。

• **stage3：使用个人数据集微调。

注：本次比赛提交的是stage2模型，因为训练所用数据集都为公开数据集，方便复现。 原作者在论文中也使用了个人数据集微调，但没有公开。因此我增加了自己数据进行训练，没有条件的同学可以利用原工程生成pha作为训练数据。 模型最好精度为SAD: 7.61，MSE: 9.47，模型为stage3.pdparams。

验证

预测