从达摩院宣布成立起，这个阿里的“神秘机构”就备受外界关注。造福人类，世界第一，高端，神秘……这些标签也让我们对达摩院的技术专家产生了好奇。

在外界人眼中，达摩院人才济济，大多是奇人异士，做着神秘且高端的研究。不曾想，这群有如扫地僧一般的神秘专家们竟然做了一个百宝箱——阿里云视觉智能开放平台（vision.aliyun.com），将研究出来的各种人脸识别，图像识别等视觉AI能力都开放了出来！打开百宝箱可以看到他们已经做了人脸识别，文字识别，商品理解，内容安全，图像识别，图像增强，图像分割，目标检测等140+种视觉AI能力，全都可以通过API的形式调用！就拿其中一项来说你会发现大牛们用图像分割的视觉AI能力，把抠图玩转得炉火纯青，而且这一切都朝着不受控制的方向发展了......

你看看，万物皆可抠！

部分图片来源淘宝商品图

达摩院大牛们为什么要开始研究抠图？

这要从阿里巴巴智能设计实验室自主研发的一款设计产品鹿班说起。鹿班的初衷是改变传统的设计模式，使商家在短时间内完成大量banner图、海报图和会场图的设计，提高工作效率。并且通过鹿班制图可以、传达高质视觉效果，从而提升商品吸引力和买家视觉体验，达到提升商品转化率的目的。而在制图的过程中，商品抠图是一项不可避免且繁琐的工作，一张人像精细抠图平均需要耗费设计师2h以上的时间，这样无需创意的纯体力工作亟需被AI所取代，所以抠图算法应运而生。
近几年图像抠图算法逐渐进入人们的视野，如腾讯（天天P图）、百度（人像抠图、汽车分割）等。而潜藏在其背后的行业：泛文娱，电商行业、垂直行业，诸如在线餐饮、媒体、教育等行业商业价值不容小觑，可以满足各种战报、在线课程教师抠图、视频封面制作等不同形式的图片制作需求拓展。市面上的一些抠图算法效果在人像发丝细节处理均不是很好，且对一些通用场景（电商等）支持也不是很好。达摩院大牛们针对这两个问题一方面设计更具有泛化能力的系统、一方面深化发丝和高度镂空相关算法，均有更好的效果。

遇到的难题和解决方案

最开始在上手鹿班“批量抠图”需求时，达摩院大牛们发现用户上传的图像质量、来源、内容五花八门，想用一个模型实现业务效果达到一劳永逸很难。在经过对场景和数据的大量分析后，定制整体框架如下：

主要涵盖了过滤、分类、检测、分割四个模块：

• 过滤：滤掉差图（过暗、过曝、模糊、遮挡等），主要用到分类模型和一些基础图像算法；
• 分类：瓶饮美妆等品类商品连通性比较好，3C、日用、玩具等品类则反之，另外场景（如人头、人像、动物）需求也是各具差异，故而设计不同的分割模型提升效果；
• 检测：在鹿班场景用户数据多来自于商品图，很多是经过高度设计的图像，一图多商品、多品类、主体占比小，也不乏文案、修饰、logo等冗余信息，增加一步检测裁剪再做分割效果更精准；
• 分割：先进行一层粗分割得到大致mask，再进行精细分割得到精确mask，这样一方面可以提速，一方面也可以精确到发丝级；

如何让效果更精准？

目前分类、检测模型相对比较成熟，而评估模型则需要根据不同场景做一些定制（电商设计图、天然摄影图等），分割精度不足，是所有模块中最薄弱的一个环节，因此成为了达摩院大牛们的主战场。以下是来自他们的自我阐述：‘’

• 分类模型：分类任务往往需要多轮的数据准备，模型优化，数据清洗才能够落地使用。据此，我们设计完成了一个自动分类工具，融合最新的优化技术，并借鉴autoML的思想，在有限GPU资源的情况下做参数和模型搜索，简化分类任务中人员的参与，加速分类任务落地。
• 评估模型：直接使用回归做分数拟合，训练效果并不好。该场景下作为一个前序过滤任务，作为分类问题处理则比较合理。实际我们也采用一些传统算法，协助进行过暗、过曝等判断。
• 检测模型：主要借鉴了FPN检测架构。1、对特征金字塔每一层featuremap都融合上下相邻层特征，这样输出的特征潜在表征能力更强；2、特征金字塔不同层特征分别预测，候选anchors可增加对尺度变化的鲁棒性，提升小尺度区域召回；3、对候选anchor的设定增加一些可预见的scale，在商品尺寸比例比较极端的情况下大幅提升普适性；
• 分割融合模型：参考论文http://openaccess.thecvf.com/content_CVPR_2019/html/Zhang_A_Late_Fusion_CNN_for_Digital_Matting_CVPR_2019_paper.html

与传统的只需要分别前景、背景的图像分割（segmentation）问题不同，高精度抠图算法需要求出某一像素具体的透明度是多少，将一个离散的0-1分类问题变成[0, 1]之间的回归问题。
在我们的工作中，针对图像中某一个像素p，我们使用这样一个式子来进行透明度预测：

α_p=β_p F ̅_p+(1-β_p ) 〖(1-B ̅〗_p)

分割网络：我们使用了在图像分割任务中常用的编-解码器结构作为我们的基础结构，但与传统结构不同，我们的网络中使用了双解码器分别来预测前、背景概率F ̅_p 〖和B ̅〗_p。如果像素p在图像的实心区域（透明度为0或1），我们预测像素透明度的真实值；如果p在图像的半透明区域（透明度值在0到1之间），我们预测像素透明度真实值的上下界。通过在半透明区域使用加权的交叉熵损失函数，使F ̅_p 〖和B ̅〗_p的值相应升高，即可将透明度的真实值“包裹”在〖[1-B ̅〗_p 〖,F ̅〗_p]这一区间中。

右图中红色部分即是被前背景概率包住的像素
融合网络：由数个连续卷积层构成，它负责预测混合权重β_p。注意，在图像的实心区域，像素的前背景预测往往容易满足F ̅_p 〖+B ̅〗_p=1这一条件，此时α_p对β_p求导恒为0，这一良好性质令融合网络在训练时可以自动“聚焦”于半透明区域。“

结语：

在线免费体验百种AI能力：【点此跳转】

钉钉扫描下方二维码，进群免费对接百种AI能力