CIParsing: 将因果属性统一到多个人的解析中
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
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
通过分析解剖学特征、全局上下文信息和边缘细节等多种因素,本研究提出了一种简单而有效的 “上下文嵌入与边缘感知框架(CE2P)”,用于单人和多人解剖学。CE2P 在多个基准测试中表现出了优越的性能,并希望它能成为未来单人 / 多人解剖学研究的坚实基础。
Sep, 2018
该研究介绍了一种新的人体解析特征图,被提出用于人体动作识别,结合 IPP-Net 方法,将骨架和人体解析特征映射应用于双分支方法,以筛选人体空间和时间特征,设计出包含人体姿态和人体解析分支的网络体系结构,通过多个数据集的综合对比实验,证明了这种方法的优越性能。
Jul, 2023
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
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