综合所学知识，设计高准确度的人像自动分割方法。附件压缩文件中包含training和testing两个文件夹，分别存放了人像图片及其对应的标记图片，标记图文件名后缀为”_matte.png”，如图1所示。training文件夹中共有3400张图（人像和标记各1700张），testing文件夹中共有600张图片（人像和标记各300张）。 图1 图像数据及类别标记示例 注意事项： 1.所有文件必须在同一项目文件夹内，资源链接使用相对路径。项目文件夹中的程序代码无编写错误，能够正常运行； 2.training文件夹中的数据仅用于训练模型或作为先验知识。所设计的分割方法统一以testing文件夹中的数据进行验证，评价指标至少包括Dice系数。此外，考生需自行拍摄一张人像照片，测试分割结果。

针对人像自动分割任务，我可以向你提供以下设计思路：

1. 数据预处理

首先，需要对数据进行预处理，包括对数据进行裁剪、缩放、旋转等操作，以便使得输入数据符合网络的输入要求。此外，需要对标记图进行二值化处理，将其转换为只包含前景和背景两种颜色的图像。

2. 网络设计

针对人像分割任务，可以使用U-Net网络结构进行设计。该网络结构采用对称的编码器-解码器结构，可以有效地处理低级别和高级别的特征，并且在保持高分辨率的情况下实现有效的特征融合。此外，可以采用深度可分离卷积等轻量化技术，以减少网络的参数量和计算量，提高网络的运行速度。

3. 损失函数

在训练过程中，需要定义合适的损失函数，以便对网络进行有效的优化。针对人像分割任务，可以采用Dice系数作为损失函数。Dice系数是评价分割结果的常用指标之一，可以有效地评估分割结果的准确程度。

4. 训练和测试

在训练过程中，需要将数据集分为训练集和验证集，以便对网络进行有效的训练和验证。在测试过程中，需要对测试集中的数据进行预测，并将预测结果与真实结果进行比较，以计算Dice系数等评价指标。

5. 结果分析

最后，需要对模型的分割结果进行分析和评估。可以使用混淆矩阵、ROC曲线等方法对模型的性能进行评价和分析，以便确定模型的优缺点，并对模型进行进一步优化。同时，需要对自己拍摄的照片进行测试，以检验模型的泛化能力和实用性。