如果尝试使用语义分割来解决，这确实是一个简单的问题。语义分割本身就是一个计算机视觉问题，可以理解为物体检测的延伸，可以理解为：

使用称为UNET的网络完成语义分割，可以针对所需图像训练模型，然后可以扩展它以找到所需对象的边界并最终提取它。可以使用下图来理解UNET架构：

UNET 通常用于创建可以与实际图像进行异或的蒙版，并且可以轻松减去图像的背景。

使用 UNET 或任何其他技术完全解释图像分割超出了答案的限制，因此可以在本文中找到更好的解释

如果您想要相同的实际实现/代码，可以在以下竞赛的 kaggle 内核上找到它们：

1. TGS 盐鉴定挑战
2. Carvana 图像掩蔽挑战

您尝试执行的任务称为语义分割（或逐像素分割）。有关于该主题的大量文献和大量教程/在线资源可以帮助您入门，例如这个

全卷积网络 (FCN) 普及了最先进的语义分割技术的核心组件。从那以后，它们已经发展成为许多高级但相关的网络，其中许多都包含在上面的链接中。

虽然链接的网站相当全面，但并没有提到mask rcnn，它的表现非常好并且速度相对较快（~5 fps）。绝对值得探索！

您可以使用完全卷积神经网络进行图像分割。查看 kaggle 比赛中的内核：Carvana Image Masking Challenge 。

另请查看全卷积神经网络