团队信息
摘要
现代的语义分割方法通常过于关注模型的准确性，因此引入繁琐的主干，这会带来沉重的计算负担和内存占用。为了解决这个问题，作者提出了一种基于深度卷积神经网络（DCNN）的高效分割方法，用于头发和面部皮肤分割任务，该方法在三个基准数据集上实现了速度和性能之间的显着权衡。据我们所知，由于外界环境因素（例如照明和背景噪声）的影响，肤色分类的准确性通常不令人满意。因此，使用分割后的人脸来获得特定的人脸区域，并进一步利用色矩算法提取其色彩特征。具体来说，对于224×224标准输入，使用我们的高分辨率空间细节信息和低分辨率上下文信息融合网络（HLNet），在CPU环境下，我们在超过16 FPS的Figaro1k数据集上实现了90.73％的像素精度。在CamVid数据集上的其他实验进一步证实了所提出模型的普遍性。进一步使用蒙版的颜色矩进行肤色等级评估，大约80％的分类精度证明了该方案的可行性。现代的语义分割方法通常过于关注模型的准确性，因此引入繁琐的
