AAAINov, 2019

Grapy-ML: 跨数据集人体分割的图形金字塔互学习

PDF
TL;DR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。
发现论文，激发创造
  • GraphMLP：用于 3D 人体姿态估计的类图像多层感知机结构

    提出了一种简单有效的图强化 MLP-Like 架构，名为 GraphMLP，它将 MLP 和图卷积网络（GCN）结合在一起，用于 3D 人体姿态估计，并将人体的图结构融入到 MLP 模型中，允许局部和全局空间相互作用，实现了对视频和单帧中 3D 人体姿态估计的最新性能。

    Jun, 2022

  • 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

  • Graphonomy：基于图传递学习的通用人体解析

    本研究旨在学习单个通用的人物解析模型，该模型能够通过将不同域中的不同粒度的标注注解相结合来解决所有类型的人物解析需求。通过引入名为 “Graphonomy” 的新型普适人物解析代理，该代理将分层图传输学习与传统解析网络相结合，以编码底层标注语义结构和传播相关语义信息，从而实现了优越的普适人物解析能力。

    Apr, 2019

  • 基于分层记忆学习的场景图精细化生成

    本文提出了一种新的层次记忆学习框架来解决场景图生成中的混合粗细粒度和长尾问题，通过加入概念重构和模型重构约束，将模型从简单到复杂地训练，有效提高了其在视觉基因组等数据集上的预测精度。

    Mar, 2022

  • 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

  • 图解学：通过图推理和转换实现通用图像分析

    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

  • 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

  • 学习语义神经树用于人体解析

    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

  • 图像字幕和视觉问答自动解析网络

    提出了一种自动解析网络（APN），将概率图像模型（PGM）参数化为自注意层上的注意操作，以将稀疏假设合并到输入序列的分段中，从而提高基于 Transformer 的视觉语言系统的效率。

    Aug, 2021

  • 伪装目标检测的互相图学习

    设计了一种新型的互动图学习（MGL）模型，它可以将图像分解成具有不同任务相关特征的两个特征图，并通过递归推理它们之间的高阶关系进行信息交互，从而实现目标检测和分割，取得了优于现有技术水平的成果。

    Apr, 2021