Lei Feng réseau par AI Technology Review: Que ce soit pour les fonctions de matité simples, les pratiquants de Dafa Photoshop ont encore du mal? Même si la pratique est réussie, s'ils pensent que le temps passé à creuser cette chose est encore trop? Maintenant, un homme outil nommé remove.bg vous pouvez supprimer ce souci, aussi longtemps que de télécharger des photos Cliquez sur OK, disponible après 5 secondes sans photos de fond transparent du corps, mais aussi dans l'utilisation tout à fait gratuitement.

Byteq par le développeur Benjamin Groessing développé est basé sur un remove.bg Python, Ruby et la profondeur de l'apprentissage outil de matage qui utilise la technologie AI pour identifier automatiquement la couche de premier plan, et ensuite la couche de fond séparée. Afin d'améliorer les détails de l'effet de la séparation et pour éviter « le décalage des couleurs », l'équipe a également ajouté des algorithmes spécifiquement liés.

Mais Benjamin Groessing a aussi insisté sur le Twitter personnel, remove.bg contient actuellement seulement une photographie de portrait pour l'autre, la reconnaissance du corps plus complexe, l'avenir continuera à améliorer en fonction des commentaires des utilisateurs.

Site est actuellement gratuit, si vous exploitez concepteur professionnel blanc ou un nouveau venu, vous pouvez télécharger des photos pour réaliser une série de nattes de fonctionnement automatique classique compliqué, ce qui élimine la nécessité de sélectionner, marquer et ainsi de suite. Mais Lei Feng réseau AI Technology Review vous rappelle, le site pour les photos de téléchargement et de sortie photo de taille de pixel est limitée, qui télécharge la taille de la photo ne peut pas dépasser 8 M, des photos sortie de pixels de seulement 500px. Si vous avez sur la cartographie finale exige de haute qualité, il est recommandé que vous avez choisi d'utiliser Photoshop.

Dans les résultats d'essai montrent le site avant, Lei Feng réseau brièvement AI Technology Review expliquer ces critères d'évaluation:

Comment se débarrasser de l'objet tenu par les mains de la personne

Que ce sera trop sombre / vêtements trop clair comme arrière-plan

la performance Reconnaissance insuffisante à la lumière

Identification des pixels du laitier d'effet d'image

Que ce soit il y aura des « trous » pas de solution

Les critères d'évaluation se rapportent principalement aux commentaires de la technologie AI introduites l'an dernier par la nature de celle du travail par un Gidi Sheperber à greenScreen.AI faire, nous voulons savoir, cette année, notre technologie est déjà en face du même problème avec le progrès:

1) la façon de traiter le caractère tenant un objet

On peut voir que le système en face d'une grande surface du corps est relié à l'objet, l'objet sera traité dans le cadre du corps humain, comme un processus de premier plan;

Le niveau de l'objet et la main inférieure est reliée à la face, car il arracheront l'arrière-plan.

2) si elle est trop sombre / vêtements trop clair comme arrière-plan

Étant donné que la couleur de fond et la couleur des caractères est similaire aux vêtements, la cause du système à être considéré comme une partie du corps humain, comme le petit frère du sac à dos droit, en plus il y a des vêtements de caractères est considérée comme faisant partie de l'arrière-plan, comme le droit petit chapeau frère.

Étant donné que la couleur de fond et le caractère a été portant le segment de couleur, la hors finale des résultats de reconnaissance que de bien, mais fond à petite échelle avec coller un phénomène humain se produit encore, principalement concentrée dans l'espace entre le corps humain et le corps humain.

3) pour identifier l'effet du manque de lumière

La performance de la reconnaissance finale est bon, mais encore une fois une grande surface du corps est relié à l'objet à être considéré comme un premier plan (oreiller) apparaît, il semble qu'il y ait une certaine relation avec l'équipe derrière les paramètres de l'algorithme;

En raison du manque de lumière conduit à la figure de gauche est considéré comme arrière-plan. Une agréable surprise est que la bonne personne est bon effet matifiant, bien qu'une partie du corps humain est considéré comme faisant partie de l'arrière-plan.

4) l'identification des pixels dans les scories d'effet d'image

Sélection des pixels photos 105 x 186 «une plus grande surface du corps est relié à l'objet considéré comme faisant partie du corps humain, » la loi soit de nouveau validée, en outre, « l'écart entre le corps humain et le corps humain est considéré comme une partie du » le problème se produit à nouveau.

Sélection de photos de pixels 185 x 185, temporairement ne peut pas pointilleux.

5) s'il y aura des « trous » pas de solution

L'année dernière, la nature du travail Gidi Sheperber, elle a constaté que certains de cela devrait être bon résultat matifiant, semblable à l'affaire a finalement été creusé un trou est apparu. À cet égard, Amnesty International Technology Review dans le processus d'utilisation remove.bg pas trouvé une situation similaire.

résumé

Maintenant, il semble, besoin remove.bg de renforcer l'optimisation de l'écart doit être considéré comme susceptible de premier plan entre le corps humain et les problèmes humains. De plus remove.bg figure par défaut tant que les articles reliés à une plus grande surface du corps, il doit être traité comme un processus de premier plan, qui dans le futur pourrait envisager d'ouvrir les options, ce qui permet aux utilisateurs de choisir, après tout, parfois vous voulez juste tirer le caractère pur .

Les avantages de respect, tant que la couleur d'arrière-plan de l'image ne soit pas trop proche de la couleur du corps, remove.bg en faible luminosité et les performances de matage basse résolution sont les gens assez satisfaits. Key a fait l'éloge de la vitesse de réponse remove.bg de chaque photo les télécharger pour produire le résultat final, AI Technology Review chaque expérience est fondamentalement pas plus de 5 secondes. La course finale de l'effet, mais pas très bon, mais en termes d'utilisation pour l'utilisateur moyen complète plus que suffisant.

Gidi Sheperber travaux connexes

Gidi travail Sheperber et remove.bg peut dire est intéressant par rapport à l'expérience entre amis, elle et ses amis Alon Burg a pris des mois, des données à base de COCO ensembles en utilisant des techniques de segmentation sémantiques et les tentatives de modèle Tiramisu pour construire un tapis de modèle . Enfin, sur la base du travail qu'ils résument de nombreuses questions sur le modèle de sélection des données et la formation, et de proposer des moyens d'améliorer, il y a un certain degré d'inspiration pour nous.

Par exemple, dans le modèle de formation, ils seront verrouillés dans la plage et de l'image portrait selfie, parce que le portrait selfie image et ont une vision plus importante et ciblée, et peut maintenir une perspective relativement stable, ce qui contribuera à réduire l'effet de l'image finale. Il est difficile de ne pas comprendre pourquoi remove.bg actuellement que des portraits disponibles matting services.

Dans le choix du modèle, ils ont adopté un codage en profondeur - l'architecture de décodage Tiramisu, parce que le modèle est compact et rapide calcul, alors que les deux forces UNET pour obtenir le résultat final ne les ont pas laissé tomber, en particulier dans l'image personnes sur la capture des arêtes vives est incroyable.

Tiramisu architecture commune

Le choix des ensembles de données aussi après un certain choix, ils contiennent avant de finaliser l'ensemble des données finales dans cette catégorie image COCO de « l'homme ». modèle basé sur le temps et le degré de concentration de considération, ils ont décidé qu'une partie de l'ensemble de données pour sélectionner la tâche la plus pertinente, et renoncer ensemble plus général des données. L'avantage est que le modèle final sera très axé sur la formation, mais le visage de plusieurs scènes de performance et des images lorsque des modèles plus difficiles peuvent être affectées.

Ce qui suit est le résultat du travail section Gidi Sheperber et les amis.

Résultat Final Cut. De gauche à droite: image, données réelles, et sort le résultat (de l'ensemble de test)

Ils ont constaté que dans le processus, en plus des codes d'erreur possibles de débogage normale, le modèle d'erreur est « prévisible ». Une telle partie du corps « coupé » au-delà de la plage normale du tronc, pas besoin d'étendre le tronc, lumière insuffisante, des photos de faible qualité et des photos dans trop de détails et ainsi de suite. Dont certains ont été éliminés lors de l'ajout d'une image de mise au point particulier de données différentes, mais quelques-unes des autres reste encore un défi à traiter. Ce sont Lei Feng est devenu un résumé net AI Technology Review ci-dessus pour cinq effet matifiant de remove.bg de test standard.

Enfin, Gidi Sheperber également pour leur travail de fournir des suggestions d'amélioration, tels que l'utilisation accrue de la résolution d'image sur les données de formation, à l'aide du CRF amélioré bord d'image problème de bruit, une attention soutenue aux derniers développements tels que la technologie des nattes (matage).

Enfin, pour souligner que, en raison de techniques, modèles, type de données, et le nombre de données entre les différentes méthodes de formation impliquent des expériences sont différentes, cet article emprunte résultats des travaux Gidi Sheperber comme critères d'évaluation remove.bg, certainement en dessous lieu biaisé, après toute logique arithmétique remove.bg derrière pas encore ouvert au public. Dans tous les cas, nous pensons que la nature du travail au même endroit, il peut apprendre les uns des autres, les étudiants intéressés peuvent cliquer sur leur propre « tapis de doux selfie à tirer? Détaillé avec un apprentissage en profondeur comment éliminer l'arrière-plan « pour voir plus de détails sur le travail effectué l'année dernière Gidi Sheperber.