该研究提出了一种名为 “图解学” 的图推理和迁移学习框架，通过将人类知识和标签分类法纳入中间图表示学习，从多个领域的全局和结构化语义一致性中学习全局和结构化语义一致性，解决了创建通用图像解析模型的挑战。该框架包括两个迭代模块：图内推理和图间传递模块，可以在人体解析和全景分割等相关但不同的图像理解研究主题上得到很好的应用。

Jan, 2021

我们提出了 UniGraph 框架，通过使用文本属性图（TAGs）来训练图基础模型，实现对未见过的图和任务在不同领域中的泛化能力。我们的方法采用了级联的语言模型（LMs）和图神经网络（GNNs）构建的骨干网络以及基于掩码图建模（MGM）的自我监督训练目标，并引入大型语言模型（LLMs）进行图指令调优，进而使模型能够进行零样本预测。在各种图学习任务和领域的全面实验证明了我们模型在未见过的图的自我监督表示学习、少样本上下文转移和零样本转移方面的有效性，甚至超越或匹配了在目标数据集上进行受监督训练的 GNNs 的性能。

Feb, 2024

本文提出了一种新的训练范式 —— 可扩展的语义迁移（SST），可以将不同标签域（即不同水平的标签粒度）的数据相互协作，训练出一种强大的人体解析网络，并提出了通用解析和专用解析两种常见应用场景。通过实验验证 SST 可以有效地在多个数据集上提高解析性能。

Apr, 2023

本文提出了 GRAph PYramid Mutual Learning 方法，通过使用自注意机制建模语境节点之间的关联并采用自上而下逐级细化的机制，在不同粒度的注释之间解决交叉数据集人体解剖分割问题，从而学习到更具有区分度的特征表示，并在多个基准测试中取得了最先进的性能。

Nov, 2019

本研究提出了一种在多个知识库上进行语义解析的框架，采用弱监督训练。通过多个特定于域的语义分析器（教师）训练一个统一的多域语义解析器（学生）来解决这一挑战。 在标准 Overnight 数据集上，相对于基线技术，该模型在指称准确性方面提高了 20％。

Jun, 2019

本文提出了一种基于领域本体的框架，通过生成人类可理解的自然语言模板，从而将自然语言句子转化为机器可读的含义表示；并解决了语义解析在大规模领域中由训练数据的获取以及模型推广的复杂度所面临的挑战，该框架在六个领域进行数据训练，证明了其能快速且低成本地进行语义解析。

Dec, 2018

本文针对跨领域人体解析问题，提出了一种新颖而高效的人体解析模型，该模型通过显式学习特征补偿网络和引入结构标签对抗网络来减轻不同域之间的视觉外观和环境条件的差异以及指导目标领域的解析结果遵循共享的结构标签高阶关系。

Jan, 2018

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

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

该研究利用深度图网络和分层人体结构实现人体分割和结构模型，通过三种不同的关系网络描述人体关系模型，并采用消息传递网络的迭代推理方法。

Mar, 2020