本论文提出了一种新的底部向上体系结构，以联合学习类别级人类语义分割和多人姿态估计来解决实例感知的人体部位解析的挑战任务。该框架利用不同人类细粒度上的结构信息，使人员分区的难度降低。通过将联合关联建模为最大权二分匹配，实现了可微分的解决方案，从而使我们的方法具有端到端的可训练性，并且允许将分组误差直接传播到多层次的人类表征学习中。

Mar, 2021

本文提出了一种名为 Parsing R-CNN 的用于解决实例级人体分析的端到端管道，其通过综合考虑区域方法的特征和人体的外观来同时处理一组人体实例，从而使其非常灵活高效，并在 CIHP（Crowd Instance-level Human Parsing）、MHP v2.0（Multi-Human Parsing）和 DensePose-COCO 数据集上优于所有最先进的方法，也在 COCO 2018 Challenge DensePose Estimation 任务中获得了第一名。

Nov, 2018

本文研究了多人图像中的多人语义分割问题，提出了一个新的数据集 MHP 和一个基于深度学习的 Nested Adversarial Network (NAN) 模型来解决这个问题。该模型在多个数据集上取得了优秀的性能，并可应用于人类行为分析和自动驾驶等领域。

Apr, 2018

该论文介绍了 Renovating Parsing R-CNN (RP R-CNN) 模型，它采用了全局语义增强的特征金字塔网络和解析重新评分网络，以提高多人解析中的全局认知度和准确实例分割得分，并在 CIHP 和 MHP-v2 数据集上表现出优异的性能。

Sep, 2020

本文提出一种利用人体关键点注释的方法生成合成数据，并利用这些数据进行半监督学习，进而提高人体语义部分分割准确率。在 PASCAL-Person-Part 数据集上，我们的方法优于强监督模型 6 mIOU，达到了最先进的人体分割结果。

May, 2018

该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。

Sep, 2017

本文综述了基于深度学习的人体解析技术在图像和视频领域中的研究进展和挑战，并提出一种基于 Transformer 的高性能人体解析框架，同时还提出了未来研究的方向和待解决的问题。

Jan, 2023

本文提出了一种基于水平和垂直方向上的人体部位标签累计得到的实例分类分布来进行人体解析的方法，将这些分类分布引入神经网络模型的训练中，结合两个引导特征形成精确定位人体部位的空间引导图，并在几个公共图像数据集上表现了比其他方法都优秀的成果。

Nov, 2021

该论文提出了一种新的生成式分区网络 (GPN)，旨在解决复杂的多人姿态估计问题，其引入了一种从全局关节点生成多人分区的新策略，并同时推断实例特定的关节配置。GPN 是低复杂度和高联合检测的准确性的有益特点，它在 MPII Human Pose Multi-Person，扩展的 PASCAL-Person-Part 和 WAF 基准测试上产生了新的最先进性能。

May, 2017

本文介绍了一种基于分层语义分割任务的人体解析方法，其使用设计的分级树结构来编码人体生理结构，并在一组内联的过程中生成准确的结果。实验结果表明该方法具有较高的准确性和可行性。

Dec, 2019