通过部件分组网络实现实例级人体解析
计算机视觉与模式识别
2018-08-02 v1
摘要
面向真实世界人体分析场景的实例级人体解析仍待深入探索，原因在于缺乏充足数据资源以及单次通行中解析多个实例的技术难度。若干相关工作均遵循“检测即解析（parsing-by-detection）”流程，严重依赖单独训练的检测模型来定位实例，随后顺序地对每个实例执行人体解析。然而，检测与解析两个不一致的优化目标导致次优的表示学习以及最终结果中的误差累积。本工作中，我们首次尝试探索一种无检测（detection-free）的部件分组网络（PGN），用于高效地在单次通行中解析图像中的多个人体。我们的PGN将实例级人体解析重新表述为两个孪生子任务，可通过统一网络联合学习并相互精炼：1）语义部件分割，将每个像素赋予人体部件（如脸、手臂）；2）实例感知边缘检测，将语义部件分组为不同人体实例。由此，共享的中间表示将同时具备刻画细粒度部件与推断各部件实例归属的能力。最后，在推理时采用简单的实例划分过程得到最终结果。我们在PASCAL-Person-Part数据集上进行了实验，我们的PGN优于所有最先进（state-of-the-art）方法。此外，我们在一个新收集的多人解析数据集（CIHP，包含38,280张多样图像，迄今最大且可促进更先进人体分析）上展示了其优越性。CIHP基准与我们的源代码发布于http://sysu-hcp.net/lip/。
引用
@article{arxiv.1808.00157,
title = {Instance-level Human Parsing via Part Grouping Network},
author = {Ke Gong and Xiaodan Liang and Yicheng Li and Yimin Chen and Ming Yang and Liang Lin},
journal= {arXiv preprint arXiv:1808.00157},
year = {2018}
}
备注
Accepted by ECCV 2018 (Oral)