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

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

本论文提出了一种基于层次指针网络的转移式解析方法，该方法在依赖和语篇关系解析方面具有优异的表现，超过现有方法并创造了新的最高水平。

Aug, 2019

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

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。

Jan, 2020

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

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

提出了一种基于转换的方法，通过训练单个模型，可以有效地解析任何输入句子，支持连续 / 投影和不连续 / 非投影的句法结构，并证明了这两种句法形式可以在训练过程中互相受益，提高了在多个基准测试中的准确性，如英语和中文 Penn 树库以及德语 NEGRA 和 TIGER 数据集。

Sep, 2020

本文介绍了 Semantic-Human 这一新颖方法，通过扩展 NeRF 以共同编码语义、外观和几何来实现 2D 语义标签，从而实现神经渲染方法下的人体解析，并在连续和新视图中实现一致的人体解析。

Aug, 2023