- 人类中心视觉数据增强
本调查在人相关的视觉任务中首次提供了对数据增强技术的全面分析。它深入研究了人物 ReID、人体解析、人体姿态估计和行人检测等广泛的研究领域,解决了过拟合和有限训练数据在这些领域中带来的重要挑战。我们将数据增强方法分为两类:数据生成和数据扰动 - 遮挡下的人物再识别学习中的部件表征学习
提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架,用于解决遮挡下的人员重新识别问题,并提出了一个新的基准测试集,该测试集使用非遮挡查询样本,实验证明了该方法的优越性。
- 探究人类解析器对常见错误的鲁棒性
通过构建三个数据集来评估人体解析模型的风险容忍度,并提出一种新颖的异构数据增强机制,可以在常见的图像损坏条件下提高人体解析模型的鲁棒性。
- MM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 - 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。
- CVPR通过多标签领域的可扩展语义转移进行语义人体解析
本文提出了一种新的训练范式 —— 可扩展的语义迁移(SST),可以将不同标签域(即不同水平的标签粒度)的数据相互协作,训练出一种强大的人体解析网络,并提出了通用解析和专用解析两种常见应用场景。通过实验验证 SST 可以有效地在多个数据集上提 - 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。
- CVPRCDGNet: 基于类分布引导的人体解析网络
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。
- CVPR面部解析质量感知网络
本文介绍了 BUPT-CASIA 团队使用最先进的人体解析方法应用于面部解析任务,并在 CVPR 2021 Person in Context (PIC) Workshop and Challenge 比赛中获得了 86.84%的得分,获得 - CVPR将边缘、姿态与解析相对应
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 - CVPR自我学习修正策略在人体解析中的应用
本文提出了一种可训练的图推理方法,用于解决解析人体时的样本缺乏问题,并且在 LIP 和 ATR 数据集上得到了显著提高。
- CVPR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。
- ICCV学习组合神经信息融合用于人体解析
该研究提出将神经网络与人体组成层次相结合,形成神经信息融合框架,以实现高效和完整的人体解析,并基于多源信息进行条件融合。在四个著名的数据集上进行了广泛的评估,并在处理速度方面具有快速性能,其代码和结果已经发布以便未来的研究。
- 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。
- AAAIGrapy-ML: 跨数据集人体分割的图形金字塔互学习
本文提出了 GRAph PYramid Mutual Learning 方法,通过使用自注意机制建模语境节点之间的关联并采用自上而下逐级细化的机制,在不同粒度的注释之间解决交叉数据集人体解剖分割问题,从而学习到更具有区分度的特征表示,并在多 - ICCV超越人类身体:用于人员再识别的双部分对齐表示
本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法,实现了在三个基准数据集上的最新性能,提高了人物重识别的准确性。
- CVPRGraphonomy:基于图传递学习的通用人体解析
本研究旨在学习单个通用的人物解析模型,该模型能够通过将不同域中的不同粒度的标注注解相结合来解决所有类型的人物解析需求。通过引入名为 “Graphonomy” 的新型普适人物解析代理,该代理将分层图传输学习与传统解析网络相结合,以编码底层标注 - CVPR条件运动传递的自监督学习
本篇研究提出了一种新的基于条件运动传播和稀疏光流技术的自监督学习范式,能够有效地学习视觉表征,并在语义分割、实例分割以及人体解析等多个任务上实现最先进的自监督学习表现,还能实现半自动像素级标注。
- 细节中的魔鬼:单人和多人解析的准确性探究
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 - ECCV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。