《表1 不同算法分析样本评价指标对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《注意力机制和特征融合的自动抠图算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文算法在多实例自然图像自动抠图中能准确地对前景物体进行抠取，界限清晰、抠图边界平滑，得到了令人满意的可视化效果和量化结果.本文算法对于分辨率大小为320×320的单幅测试图像自动抠图耗时约为0.637 s，耗时可以接受.首先，将DIM网络和本文算法进行对比.在DIM网络对比实验中，三分图由实例分割网络Mask Scoring R-CNN对多实例自然图像数据集采用本文预分割模块得到.为保证数据等量级的原则，DIM网络在VGG16的预训练模型上对本文数据集进行重新训练，并不采用文献[12]提供的整个网络的训练模型对本文数据集微调的方式.选取4幅图像作为分析样本，表1所示为它们在不同算法中评价指标SAD和MSE；图8所示为其可视化结果；为了更清楚地展示不同算法的可视化效果，图9给出了不同算法的透明度结果合成在白色背景中的效果图.根据可视化结果，结合评价指标可得:对于同样的三分图作为约束条件，本文算法评价指标SAD和MSE均有不同程度的降低.与DIM相比，本文算法对图像1右视镜部分有明显的改善；对于图像2，其顶端和底部有所改善，边界更加平滑；对于图像3，DIM中车轮部分损失明显；对于图像4，本文算法即使边缘部分依旧不够光滑，但评价指标均有明显的降低.抠图任务是像素级别的透明度估计，哪怕可视化有细微的差别，通过评价指标的量化也可以看出明显的改善.