摘要
从人体中提取的软生物特征，包括衣物类型、发色及配饰等，是实现人员追踪与识别的重要信息。然而，由于服装样式、叠穿方式、形状与颜色的多样性，从图像中对这些特征进行语义分割仍对研究人员构成挑战。为应对上述问题，本文提出了一种名为EPYNET的服装分割框架。该框架基于单次多框检测器（Single Shot MultiBox Detector, SSD）与特征金字塔网络（Feature Pyramid Network, FPN），并采用EfficientNet作为主干网络。此外，该框架融合了数据增强方法与噪声抑制技术，以提升分割精度。为进一步支持研究，本文还构建了一个名为UTFPR-SBD3的新数据集，包含4,500张人工标注图像，涵盖18类物体类别及背景类别。与现有公开数据集中普遍存在类别分布不均的问题不同，UTFPR-SBD3确保每个类别至少包含100个实例，从而有效降低深度学习模型训练的难度。为此，本文还提出了一种新的数据集不平衡度量方法，旨在解决不同服装分割数据集之间难以进行公平比较的问题。该度量方法可有效识别背景类别的影响，以及小尺寸目标类别或实例数量过多或过少类别的干扰。在UTFPR-SBD3数据集上的实验结果表明，EPYNET在服装分割任务中显著优于当前主流方法，在多个公开数据集上均表现出优越性能。基于上述成果，我们认为该方法在软生物特征识别、人员监控、图像描述生成、服装推荐等众多实际应用场景中具有广阔的应用潜力。