人类解析自我纠正
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
本文提出了一种新的 Decoupled Multi-task Learning with Cyclical Self-Regulation (DML-CSR) 方法来解决人脸分割中产生的空间不一致和边界混淆的问题,该方法包括面部解析、二元边缘和类别边缘检测任务,采用动态双图卷积神经网络、边缘检测等技术来改进现有方法,并提出了周期性自调谐机制来避免噪声标签对模型泛化性能的影响。实验证明,该方法在 Helen、CelebAMask-HQ 和 Lapa 数据集上取得了新的最高性能。
Mar, 2022
本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同,我们提出采用人类语义分析来提取局部特征,相应的性能得到了大幅提升,并成为了当前最优方法。此外,我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法,如 Inception-V3 和 ResNet-152,无需修改即可显著提高人物再识别的性能。
Mar, 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
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
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
本文提出了一种基于身份指导的人类语义解析方法(ISP),通过级联聚类来生成伪标签,并仅利用人的身份标签来定位人体部位和个人物品并实现像素级别的对齐,最终从中获得人体部位和个人物品的本地特征,验证表明,该方法在三个被广泛使用的数据集上优于大量先进方法。
Jul, 2020
本文提出了一种半监督学习的方法,即自我训练范式,通过用标注数据训练教师模型并在大量未标注数据上生成伪标签,以较少的监督实现像素级准确模型,并在 Cityscapes,CamVid 和 KITTI 数据集上取得了最优表现,同时,在具有挑战性的跨域泛化任务上表现更佳,最后,为了减轻大量伪标签带来的计算负担,提出了一种快速训练计划来加速分割模型的训练。
Apr, 2020