CIParsing：将因果性质统一引入多人人体解析
计算机视觉与模式识别
2023-08-24 v1
摘要
现有的多人人体解析（MHP）方法采用统计模型来获取图像与标注身体部位之间的潜在关联。然而，所获取的关联往往包含许多虚假相关性，降低了模型的泛化能力，使得统计模型易受图像中视觉上下文变化（例如，未见过的图像风格/外部干预）的影响。为此，我们提出了一种受因果启发的人体解析范式，称为 CIParsing，它遵循涉及人体解析的两个因果性质（即因果多样性与因果不变性）的基本因果原则。具体而言，我们假设输入图像由因果因素（身体部位的特征）与非因果因素（外部上下文）混合构成，其中仅前者导致人体解析的生成过程。由于因果/非因果因素不可观测，所提出的 CIParsing 中的人体解析器需要构建因果因素的潜在表示，并学习使表示满足因果性质。通过这种方式，人体解析器能够依赖与相关证据对应的因果因素，而非与虚假相关性对应的非因果因素，从而缓解模型退化并提升解析能力。值得注意的是，CIParsing 以即插即用的方式设计，可集成到任何现有的 MHP 模型中。在两个广泛使用的基准上进行的广泛实验证明了我们方法的有效性与泛化性。
引用
@article{arxiv.2308.12218,
title = {CIParsing: Unifying Causality Properties into Multiple Human Parsing},
author = {Xiaojia Chen and Xuanhan Wang and Lianli Gao and Beitao Chen and Jingkuan Song and HenTao Shen},
journal= {arXiv preprint arXiv:2308.12218},
year = {2023}
}