面部解析的边缘感知图表示学习和推理
本文提出一种用于面部解析的自适应图形表示学习和图形推理方法,旨在学习描述每个组件的代表性顶点,利用组件之间的关系,对面部区域中的歧义像素产生准确的解析结果。实验结果证明了所提出模型在多个面部解析数据集上的卓越性能,同时验证了其在人体解析任务中的通用性。
Jan, 2021
本文提出了一种基于非局部区块的 Correlation Parsing Machine(CorrPM)来发现边缘、姿态和 human parsing 特征图之间的空间亲和力,利用特征相关性提高人体解析的准确性,与拼接特征相比有更好的性能表现,证明了在 human parsing 中获取特征相关性的优势。
May, 2020
研究提出了一种基于 RoI Tanh-warping operator 的新型混合卷积神经网络用于面部解析,解决了传统基于裁剪和缩放的 RoI 方法无法处理头发等不可预测区域的问题,同时通过全局和局部方法融合来处理内外部面部组件,并通过重新标记 HELEN 数据集的训练数据进行了训练和评估,取得了优于现有方法的性能。
Jun, 2019
本文提出了一种基于图推理的转换器模型,通过引入关系推理模式来解决传统基于注意力机制的图像补丁交互中存在的问题,并在计算效率和相对于现有转换器基线的性能表现上实现了显著提高。
Sep, 2022
本论文提出了一种用于迭代视觉推理的新框架,该框架采用两个核心模块 —— 使用空间记忆存储先前信念的本地模块和全局图形推理模块。图形模块由知识图谱、当前图像的区域图和将区域分配给类别的分配图组成。实验表明,该框架性能强大,与普通 ConvNets 相比在 ADE 上能获得 8.4%的绝对提升,并且该框架对于推理中遗漏的区域具有韧性。
Mar, 2018
本文提出了一种高效的人脸解析注释框架和 “Dense Landmark Guided Face Parsing (LaPa)” 数据集,以及一个基于此数据集的新的边界敏感解析网络(BSPNet)。
May, 2019
该研究提出了一种名为 GloRe 的全局推理单元,实现了卷积神经网络对于远距离区域之间的全局关系的建模,能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。
Nov, 2018