Look into Person：自监督结构敏感学习与人体解析新基准
计算机视觉与模式识别
2017-07-31 v2 人工智能
机器学习
摘要
由于巨大的应用潜力，人体解析近来引起了广泛的研究兴趣。然而，现有的数据集图像与标注数量有限，且缺乏非受限环境下人体外观的多样性与挑战性案例的覆盖。在本文中，我们引入了一个新基准“Look into Person (LIP)”，在规模、多样性与难度上取得了重大进展，我们认为这一贡献对以人为中心的分析的未来发展至关重要。这一综合数据集包含超过 50,000 张精标注的图像，带有 19 个语义部位标签，这些图像是在更广泛的视角、遮挡与背景复杂度下采集的。基于这些丰富的标注，我们对领先的人体解析方法进行了详细分析，深入了解了这些方法的成功与失败之处。此外，与现有改进特征判别能力的努力不同，我们通过探索一种新颖的自监督结构敏感学习方法来解决人体解析问题，该方法无需额外监督（即模型训练中无需专门标注人体关节），即可将人体姿态结构施加于解析结果中。我们的自监督学习框架可注入任何先进的神经网络，以帮助从全局视角融入关于人体关节的丰富高层知识，并改善解析结果。在我们的 LIP 与公开的 PASCAL-Person-Part 数据集上的广泛评估证明了我们方法的优越性。
引用
@article{arxiv.1703.05446,
title = {Look into Person: Self-supervised Structure-sensitive Learning and A New Benchmark for Human Parsing},
author = {Ke Gong and Xiaodan Liang and Dongyu Zhang and Xiaohui Shen and Liang Lin},
journal= {arXiv preprint arXiv:1703.05446},
year = {2017}
}
备注
Accepted to appear in CVPR 2017