目录

写在前面  

一、人像语义分割

（1） PortraitNet （改善loss）

（2） Boundary-aware Instance Segmentation

（3） Pose2Instance（Top-Down）

（4） PersonLab （Bottom-Up）

（5） Pose2Seg （SOTA）

二、Image Matting（精细分割）

（1） Image Matting 问题综述

1.1 Matting介绍

1.2 Matting数据集

1.3 人像Matting数据集

（2）Deep Automatic Portrait Matting

（3）Deep Image Matting

（4）Semantic Human Matting

（5）Fusion Matting

（6）Disentangled Image Matting （TODO)

之前的两段实习中，接触到了比较多人像分割的任务。现将这部分内容整理了一下，文章大部分内容写的比较早了，如有问题欢迎指正。本文内容主要分为两大部分：

一：通过Segmentation方法做人像分割。这类方法遵循传统的语义分割思路，同时针对人像的特点（如边缘、关键点等）做进一步优化，达到了较好的分割效果，但由于语义分割任务的天生局限性，这类人像分割虽然精度高但往往较为粗糙，因此现在可做的空间并不大，也没什么人做了。

二、通过Matting方法做人像分割。这类方法借鉴了图像处理中的Image Matting问题，并结合深度学习的手段，达到了较精细的人像分割效果。这类文章在这几年的顶会如CVPR、ICCV中频频出现，是个不错的方向。

===========更新 2020/2/13=========

Github上出了一个很好的开源项目 Pymatting: A Python library for alpha matting ，实现了五种传统的matting方法，包括：

可以学习参考一下~

===========更新 2020/1/2=========

阿里达摩院分享了它们关于抠图的研究和产品，主要用到的就是fuse matting这篇文章，可以借鉴学习。

当达摩院大牛学会抠图，这一切都不受控制了…… - 阿里云云栖号的文章 - 知乎 https://zhuanlan.zhihu.com/p/100327877

PortraitNet: Real-time Portrait Segmentation Network for Mobile Device, Tsinghua University CAD & Graphics 2019

Paper: https://www.sciencedirect.com/science/article/pii/S0097849319300305

Code: https://github.com/dong-x16/PortraitNet

一句话点评：文章非顶会，可能是肖像分割太过简单，精度都很高没啥好比的；设计的几个模块虽然简单但都挺不错，代码有开源，值得学习；

​​

主要贡献：

1. 针对自拍的人像，训练了一个实时人像语义分割网络

2. 在训练中增加了Boundary loss用来改善边缘分割的效果。具体实现方法是在最后一层之前增加一个1*1的卷积分支做boundary loss。首先使用Canny算子生成boundary的GT，在 这个分支中使用的是交叉熵+focal loss（由于前后景不均衡）