融合MobileNetv2和注意力机制的轻量级人像分割算法

摘要

针对人像分割精度不高、效率不佳的问题,提出一种融合MobileNetv2和注意力机制的轻量级人像分割算法,以实现对人像半身图进行分割。在编码器-解码器的U型网络结构的基础上,通过将MobileNetv2作为骨干网络,精简上采样过程,有效地减少了网络的参数量,有助于网络的迁移和训练。融合注意力机制的网络结构可更有效地学习人像特征,同时引进混合损失函数,有利于人像边缘像素点分类。该网络结构可选用人像半身图作为输入,并输出对应的图像掩膜。在Human_Matting和EG1800公开数据集上进行了实验,结果表明该算法精度分别达98.3%(Matting)、97.8%(EG1800),相较于PortraitNet预测96.3%(Matting)、95.8%(EG1800)的准确度和DeepLabv3+网络的96.8%(Matting)、96.4%(EG1800)准确度有明显提升,可以清晰地将目标人物和背景分离开。算法IOU指标可达98.6%(Matting)、98.2%(EG1800),在实验平台上分割测试集每张图片平均时间约0.015 s,可应用于轻量化场景中,为场景人像分割提供新的理论基础和研究思路。