ICCVJan, 2020

学习组合神经信息融合用于人体解析

PDF
TL;DR该研究提出将神经网络与人体组成层次相结合，形成神经信息融合框架，以实现高效和完整的人体解析，并基于多源信息进行条件融合。在四个著名的数据集上进行了广泛的评估，并在处理速度方面具有快速性能，其代码和结果已经发布以便未来的研究。
neural networkhuman parsingcompositional hierarchyinference processmulti-source information
发现论文，激发创造
  • 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

  • 具有类型部件关系推理的层次式人体解析

    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

  • 神经网络求解数学问题中出现了组合处理

    本文探讨了人类学习机制中的组合性问题，并扩展了先前针对自然语言的神经网络研究到数学推理领域。研究发现，神经网络不仅能够学习到训练数据中的结构关系，而且能够将这些知识用于指导复合意义的组合。

    May, 2021

  • 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

  • 医学自然语言理解的分层语义组合框架设计考虑

    探讨了一种医学自然语言处理系统，其框架受到人类认知机制的启示，该系统通过一种分层语义组成模型（HSCM）来指导解释过程，其中包括语义记忆、语义组合、语义激活和分层预测编码等认知方面。为了将自由文本句子转换为其意义的逻辑表示，研究设计了一种生成语义模型和一个相关的语义解析器。

    Apr, 2022

  • 基于姿态引导的弱监督和半监督人体部位解析的知识迁移

    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

  • 基于姿态引导的深度特征人体解析

    本文提出了一种基于 segment-based parsing 管道的方法，利用人体姿势信息对人体进行语义区域划分，从而提高了部分提案的准确率，加速了推理并使得解析过程更规则化，经实验证明该方法相比现有技术具有更好的优越性能。

    Aug, 2015

  • 能量基模型下的组合视觉生成与推理

    本文中，我们展示了由能量基模型直接组合概率分布从而展示人类智能的一个重要方面：从简单构想到复杂概念的组合能力。我们的模型能够生成自然图像，同时满足概念的合取、析取和否定等关系。我们在 CelebA 数据集和合成 3D 场景图像上评估了我们模型的组合生成能力，并展示了我们模型的其他优势，如持续学习和整合新概念，或推断图像潜在的概念属性组合。

    Apr, 2020

  • 人类和机器的功能组合学习

    在研究中，我们通过探索人类和神经网络模型在学习和推理组合函数方面的能力，发现人类能够在不同的交互条件下对视觉函数组合进行零样本泛化，比较同一任务中的神经网络模型发现，通过元学习组合性（MLC）方法，标准序列到序列的转换器能够模仿人类在函数组合中的泛化模式。

    Mar, 2024

  • 通过神经程序综合学习组合规则

    本研究介绍了一种神经符号模型，使用极少量的样本学习整个规则系统而非直接从输入输出预测结果，并将学习到的规则系统用于控制人类语言等各个领域，取得了较好的成果。

    Mar, 2020