BriefGPT - AI 论文速递
·
无须Alpha标签的抠图模型训练
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本研究提出了一种新的实用人像抠图训练方法，通过像素级人体区域识别和标注来实现。引入了弱半监督人像抠图（WSSHM）学习范式，节省标注成本和解决领域泛化问题。通过抠图标签融合（MLB）训练方法，在少量抠图数据和大量分割数据的情况下提高抠图模型的鲁棒性。实现代码可在https://github.com/clovaai/WSSHM获得。
🎯
关键要点
-
本研究提出了一种新的实用人像抠图训练方法，依赖于像素级人体区域识别和标注。
-
引入了弱半监督人像抠图（WSSHM）学习范式，以降低标注成本并解决领域泛化问题。
-
提出了抠图标签融合（MLB）训练方法，通过选择性引导分割和抠图数据的知识来提高模型鲁棒性。
-
大量实验表明，该方法在少量抠图数据和大量分割数据的情况下显著提高了抠图模型的鲁棒性。
-
该训练方法适用于实时模型，具有竞争力的准确性和极快的推理速度（328 FPS）。
-
实现代码可在https://github.com/clovaai/WSSHM获得。
➡️
