用于人体解析的亲和度感知压缩与扩展网络
计算机视觉与模式识别
2020-08-25 v1
摘要
作为一种细粒度分割任务，人体解析仍面临两部分挑战：部件间难以区分与部件内不一致，这源于相似人体部件之间定义模糊与关系混淆。为应对这两个问题，本文提出一种新颖的亲和度感知压缩与扩展网络(Affinity-aware Compression and Expansion Network, ACENet)，其主要由两个模块组成：局部压缩模块(Local Compression Module, LCM)与全局扩展模块(Global Expansion Module, GEM)。具体而言，LCM 通过从额外骨架分支获得的结构骨架点来压缩部件关联信息，可减少部件间干扰并增强模糊部件间的结构关系。此外，GEM 通过将每个部件的语义信息结合空间亲和度与边界引导扩展为完整一块，从而也能有效增强部件内的语义一致性。ACENet 在具有挑战性的 LIP 与 Pascal-Person-Part 数据集上取得了新的 SOTA 性能。特别是在 LIP 基准上取得了 58.1% 的平均交并比(mean IoU)。
引用
@article{arxiv.2008.10191,
title = {Affinity-aware Compression and Expansion Network for Human Parsing},
author = {Xinyan Zhang and Yunfeng Wang and Pengfei Xiong},
journal= {arXiv preprint arXiv:2008.10191},
year = {2020}
}