CVPRMar, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于语义解析变换的无监督人物图像生成

    本文提出了一种无监督学习的姿态引导的人物图像生成方法，通过将生成人体的硬映射分解为语义解析和外貌生成两个子任务的形式，实现了人体的变形生成。

    Apr, 2019

  • UniParser：基于统一关联表示学习的多人解析

    UniParser 通过统一实例级和类别级输出，避免手动设计的后处理技术，超越了现有方法，在 MHPv2.0 上实现了 49.3％的 AP 和 CIHP 上实现了 60.4％的 AP，该研究将发布源代码、预训练模型和在线演示以促进未来研究。

    Oct, 2023

  • 全局，实例级人体解析

    该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。

    Sep, 2017

  • 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

  • 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

  • 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