Richtlinien und Best Practices #
Die Technologie hinter DropSpace basiert auf einer Kombination neuronaler Netze, die auf einem großen Datensatz trainiert wurden, um präzise Segmentierungskarten von markanten Objekten zu erstellen und diese Karten zu verfeinern, um die Kanten des Vordergrunds vom Hintergrund genau zu trennen. Diese neuronalen Netze wurden auch so optimiert, dass das Ergebnis unabhängig von der Bildgröße innerhalb von Sekunden zurückgegeben werden kann. 1
In den allermeisten Fällen liefern diese Deep-Learning-Algorithmen qualitativ hochwertige Ergebnisse. Die folgenden Best Practices können die Wahrscheinlichkeit guter Ergebnisse weiter erhöhen:
- Stellen Sie sicher, dass auf allen Seiten genügend Hintergrund um die Vordergrundobjekte herum vorhanden ist.
- Versuchen Sie, große Schatten zu vermeiden. Dies ist besonders relevant, wenn der Hintergrund einfarbig ist. Wenn beispielsweise das Hauptmotiv vor einem einfachen hellen Hintergrund fotografiert wird, kann der Schatten des Objekts als Teil des Vordergrunds klassifiziert werden.
- In einigen Fällen können Haare oder andere sehr kleine oder verschwommene Teile an den Rändern eines Vordergrundobjekts mit dem Hintergrund verschmolzen werden. Versuchen Sie beispielsweise zu vermeiden, dass Haare im Wind wehen.
- In einigen Fällen können starke Kontraständerungen, wie eine helle Lampe oder eine helle Sonne auf dem Foto, die Ergebnisse beeinträchtigen.
- Helle Reflexionen auf einem glänzenden Objekt (z. B. Glanz vom Kamerablitz) können als Teil des Hintergrunds behandelt und entfernt werden, insbesondere wenn die Farbe der Reflexion der Haupthintergrundfarbe ähnelt.
Wie bei jedem Deep Learning-basierten Algorithmus sind die Ergebnisse jedoch möglicherweise nicht immer perfekt, selbst wenn Sie diese Richtlinien befolgen. Beachten Sie außerdem, dass die neuronalen Netze ständig mit neuen Daten trainieren und die Ergebnisse daher im Laufe der Zeit unterschiedlich sein können.
