Sep, 2018

细节中的魔鬼：单人和多人解析的准确性探究

PDF
TL;DR通过分析解剖学特征、全局上下文信息和边缘细节等多种因素，本研究提出了一种简单而有效的 “上下文嵌入与边缘感知框架（CE2P）”，用于单人和多人解剖学。CE2P 在多个基准测试中表现出了优越的性能，并希望它能成为未来单人 / 多人解剖学研究的坚实基础。
human parsingcontext embeddingedge perceivingce2p frameworkmultiple human parsing
发现论文，激发创造
  • 为了准确的多人解析升级 Parsing R-CNN

    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

  • 人类解析的深度学习技术：调查和展望

    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

  • 基于点集和中心偏移的单阶段多人解析

    该研究提出了一种高性能的单阶段多人解析深度架构，在 MHPv2.0 数据集上实现了最佳的有效性和效率，超过了最先进的方法 2.1％的 AP50p，1.0％的 APvolp 和 1.2％的 PCP50。

    Apr, 2023

  • 基于部件分组网络的实例级人体部位划分

    本论文提出了一种基于 Part Grouping Network 的多人解析方法，通过二元子任务实现语义部分分割与实例感知边缘检测，并在多个数据集上实现了优于当前状态 of-the-art 的表现。

    Aug, 2018

  • 将边缘、姿态与解析相对应

    本文提出了一种基于非局部区块的 Correlation Parsing Machine（CorrPM）来发现边缘、姿态和 human parsing 特征图之间的空间亲和力，利用特征相关性提高人体解析的准确性，与拼接特征相比有更好的性能表现，证明了在 human parsing 中获取特征相关性的优势。

    May, 2020

  • 不同 iable 的多粒度人类表达式学习，针对实例感知的人类语义分割

    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

  • 深度嵌套对抗学习及多人解析新基准的拥挤场景人类理解

    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

  • UniParser：基于统一关联表示学习的多人解析

    UniParser 通过统一实例级和类别级输出，避免手动设计的后处理技术，超越了现有方法，在 MHPv2.0 上实现了 49.3％的 AP 和 CIHP 上实现了 60.4％的 AP，该研究将发布源代码、预训练模型和在线演示以促进未来研究。

    Oct, 2023

  • Look into Person: 自监督的结构感知学习和人体解析新基准

    本篇文章介绍了一个名为 “Look into Person (LIP)” 的新的数据集，该数据集包含 50,000 多张具有 19 个语义部件标签的图像，是一个可扩展性、多样性和难度方面的重大进展，并且使用自监督学习方法解决了人体解析的问题。

    Mar, 2017

  • 用于实例级人体分析的 Parsing R-CNN

    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