ECCVSep, 2020

为了准确的多人解析升级 Parsing R-CNN

PDF
TL;DR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。
multiple human parsingglobal semantic feature pyramid networkparsing re-scoring networkhuman-centric global perceptioninstance-level parsing scoring
发现论文，激发创造
  • 用于实例级人体分析的 Parsing R-CNN

    本文提出了一种名为 Parsing R-CNN 的用于解决实例级人体分析的端到端管道，其通过综合考虑区域方法的特征和人体的外观来同时处理一组人体实例，从而使其非常灵活高效，并在 CIHP（Crowd Instance-level Human Parsing）、MHP v2.0（Multi-Human Parsing）和 DensePose-COCO 数据集上优于所有最先进的方法，也在 COCO 2018 Challenge DensePose Estimation 任务中获得了第一名。

    Nov, 2018

  • 人类解析的深度学习技术：调查和展望

    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

  • 语义人体：从单目视频中的人体解析进行人体神经渲染

    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

  • 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

  • 深度嵌套对抗学习及多人解析新基准的拥挤场景人类理解

    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

  • 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

  • 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

  • 人物再识别的人类语义分析

    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

  • 通过循环传播进行人脸解析

    本文提出了结合 CNN 层次表示和基于空间变量递归神经网络的准确标签传播的面部分割算法，能够实现高效的面部图像分析，适用于实时应用。

    Aug, 2017

  • 深层分层解析用于语义分割

    本文提出了一种基于学习的场景解析方法，通过逐层递归的上下文传播方式，以图像中的超像素为分类基础进行解析，并利用 MRF 模型建模结果的层次依赖关系从而实现对 Stanford Background，SIFT-Flow 和 Daimler urban 数据集的最新性能。

    Mar, 2015