沒想到，這個AI特效背后還隱藏著個“世界冠軍”

在網絡設計方面，GYSeg算法采用自研的GYNet作為backbone，并接入ASPP模塊進行特征的增強與融合，獲得了更多的Context以及感受野，同時，整體結構達到了很好的速度跟精度的平衡。

在分割head方面，為提高不同尺度物體和小物體的分割精度，采用基于Multi-scale Attention的方式使網絡在不同尺度上自適應的學習。

在推斷階段，GYSeg算法采用了多種不同尺度級聯式推斷融合。在此基礎上，使用ADE訓練集數據搭建SegFix網絡，對Multi-scale Attention的輸出結果進行精修，以提升邊緣分割的一致性。同時，在訓練過程，加入OHEM提升困難樣本學習能力，在多物體分割中采用gradient loss對物體邊緣進行約束來提升邊緣的準確性。

在數據增強方面，除了針對復雜場景使用隨機縮放、crop、對比度、blur等常規(guī)操作外，對于語義明確、數量較少的類別，GYSeg算法還采用了“復制-粘貼”的方式進行擴充。如動物、摩托車、自行車等。

在loss約束方面，借助OHEM進行在線困難樣本挖掘，GYSeg算法在validation集上Miou提升0.4%，優(yōu)于focalloss(提升0.26%)。