人体去遮挡：不可见感知与内容恢复
计算机视觉与模式识别
2021-03-23 v1
摘要
在本文中，我们解决人体去遮挡问题，即推理人体的被遮挡分割掩码与不可见外观内容。具体而言，提出一个两阶段框架来估计不可见部分并恢复其内部内容。在掩码补全阶段，设计一种堆叠网络结构以精炼来自通用实例分割模型的不准确掩码并同时预测完整掩码。此外，利用人体解析与典型姿态掩码的引导来引入先验信息。在内容恢复阶段，应用一种新颖的解析引导注意力模块来隔离身体部位并捕获多尺度上下文信息。此外，收集了一个非模态人体感知数据集（AHP）以解决人体去遮挡任务。AHP具有提供来自真实场景标注的优势，且人体数量相对于其他非模态感知数据集更大。基于该数据集，实验表明我们的方法在掩码补全与内容恢复两项任务上均优于最先进技术。我们的AHP数据集可在 \url{https://sydney0zq.github.io/ahp/} 获取。
引用
@article{arxiv.2103.11597,
title = {Human De-occlusion: Invisible Perception and Recovery for Humans},
author = {Qiang Zhou and Shiyin Wang and Yitong Wang and Zilong Huang and Xinggang Wang},
journal= {arXiv preprint arXiv:2103.11597},
year = {2021}
}
备注
11 pages, 6 figures, conference