本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

現(xiàn)在人人可試可玩的圖像分割來了。

在線API，只需輸入圖片網(wǎng)址，即可自動刪除目標背景。

就拿今天凌晨剛奪得歐冠冠軍的拜仁來試試手～

然后就變成了這樣。

不過，也有翻車的時候，就像這頭大象。

分割之后…誒，它的另一只牙去哪了？

以及，在同時有手和貓的時候。

它呈現(xiàn)的結(jié)果就……有點怪異。

這項新應(yīng)用名叫ObjectCut，在Reddit上一經(jīng)發(fā)布，12小時就獲得700+的熱度。

不少網(wǎng)友表示：It’s amazing！

簡單三步，人人可試可玩

就以上面那頭大象為例，使用步驟非常簡單。

首先，任意選擇一張圖片，復(fù)制圖片地址。

第二步，網(wǎng)站上將地址粘貼到指定位置，然后點擊Test Endpoint。

等待幾秒之后，點擊旁邊生成的網(wǎng)址，就大功告成啦！

然后就變成了這樣一頭少了一顆牙的大象。

還是那個北大校友的研究

是不是覺得這項技術(shù)很熟悉，簡單幾步就可以去移除圖片背景？

跟之前的AR應(yīng)用AR Cut & Paste——將現(xiàn)實物體隔空「復(fù)制粘貼」進電腦有異曲同工之妙。

這兩項應(yīng)用背后的主要技術(shù)，都是一個叫做BASNet的顯著目標檢測方法。

這篇研究入圍了CVPR 2019，其論文一作是位華人小哥哥——秦雪彬，已經(jīng)于今年2月在在加拿大阿爾伯塔大學(xué)拿到了博士學(xué)位，碩士就讀于北京大學(xué)。

BASNet的核心框架如下圖所示，主要由2個模塊組成：

第一個模塊是預(yù)測模塊，這是一個類似于U-Net的密集監(jiān)督的Encoder-Decoder網(wǎng)絡(luò)，主要功能是從輸入圖像中學(xué)習(xí)預(yù)測saliency map。

第二個模塊是多尺度殘差細化模塊(RRM)，主要功能是通過學(xué)習(xí)殘差來細化預(yù)測模塊得到的Saliency map，與groun-truth之間的殘差，從而細化出預(yù)測模塊的Saliency map。

而除了BASNet，還有網(wǎng)友推薦了U2-Net，依然來自同一個作者，其效果更好。

其研究是《U2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection》

實驗結(jié)果像這樣：

同一項技術(shù)，不一樣的玩法，你覺得這個方法還可以做什么有趣的應(yīng)用？

另外，想要去試試這個在線圖像分割應(yīng)用，可戳下方鏈接哦～

網(wǎng)址：
https://rapidapi.com/objectcut.api/api/background-removal