CVPRNov, 2021

CDGNet: 基于类分布引导的人体解析网络

PDF
TL;DR本文提出了一种基于水平和垂直方向上的人体部位标签累计得到的实例分类分布来进行人体解析的方法，将这些分类分布引入神经网络模型的训练中，结合两个引导特征形成精确定位人体部位的空间引导图，并在几个公共图像数据集上表现了比其他方法都优秀的成果。
human parsingconstituent partsposition distributionsupervision signalsspatial guidance map
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 学习视觉符号以解析图像中的人体姿态

    该研究旨在从图像中学习自包含的身体部位表示形式（即称为视觉符号）及其符号化的几何上下文，以此来解析人类姿势，并利用潜在支持向量机和有效的交叉验证过程来对视觉符号进行分类，实现对肢体部位的精细分类。当姿势的构造部分是一棵树时，我们提出了一种有效的方法来估算图像中的人体姿势，并通过两个大型数据集的实验表明，该方法优于现有的方法。

    Apr, 2013

  • 野外步态识别的最佳解析方法

    该论文介绍了一种新的步态表示方法，名为 Gait Parsing Sequence (GPS)，通过从视频帧中提取的人体分割细粒度序列（人体解析）编码细粒度人体部分的形状和动态，以实现准确的野外步态识别。利用 GPS 表示，论文提出了一种基于人体解析的步态识别框架，名为 ParsingGait，包含基于卷积神经网络（CNN）的骨干网络和两个轻量级头部，实现了全局语义特征提取和人体行走详细动态建模。该论文还构建了首个野外步态解析数据集 Gait3D-Parsing，并通过对比实验证明了 GPS 表示和 ParsingGait 方法在准确性上的显著改进和优越性。

    Aug, 2023

  • 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

  • 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