网红女神是怎么诞生的-深度学习图像分割技术

这个技术能干啥

咋一说图像分割技术，或者更专业一点的叫法“图像语意分析”技术有哪些用途。大家可能还不一定能马上想出来，其实这个东西正在影响着我们的生活。我也是短视频软件的中毒用户，上面有特别多的美女网红，甚至发现过高中同学长得一般的妹子也成了网红女神。这一切的原因是什么的？就是短视频软件可以很好地将人像抠图，把该瘦的地方瘦，该大的地方大。

这种分割技术也能在其它很多领域应用，比如说图像虚化，过去是需要用单反相机通过对焦以及参数调节的方式才能实现，现在用算法可以方便的把人物背景虚化：
1.输入图片

2.找到图片中的人的轮廓，做分割

3.背景虚化

另外这种技术在一些日本影片的大码方面也有特别多的用途，想必很多同学已经领略过了，接下来就介绍下实现原理。

简述原理

图像分割技术有很多种，原理各不相同，最近比较主流也是效果比较好的技术就是利用深度学习来做。深度学习中常用CNN和FCN做图像分割，对于CNN其实在早一些的文章我也有讲过，CNN是可以通过卷积将图像向量化，然后通过全连接层实现分类。图像分割其实跟图像分类有点像，图像分类的核心原理就是找到一张图的核心feature，如下图，飞机这个轮廓就是这张图的核心思想。把feature用向量表述出来，再比较向量距离就实现了分类，如果是把这些热力图的feature通过概率密度函数出来就是图像分割技术。

CNN和FCN是两种卷积网络，它们有什么区别呢？下面这张图表述的很清楚：

这个图分上下两部分，上面讲的是用CNN做切割，图片通过不断地卷积和pooling变成了一维向量，然后通过向量距离的方式分类。下方的FCN保留了图像的原始结构，也就是最终计算出的结果是一个二维矩阵，最终的分类评分是针对一个二维图像进行，而不是一维向量。

与传统CNN相比FCN的的优缺点如下：

优点：

①可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸；

②更加高效，避免了由于使用像素块而带来的重复存储和计算卷积的问题；

缺点：

①得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感；

②没有充分考虑像素与像素之间的关系，也就是丢失了空间信息的考虑；

ok，具体的关于FCN的实现细节还需要仔细研究这篇paper：
https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf
等读完再跟大家分享，谢谢。