用于人体解析的宏-微对抗网络
计算机视觉与模式识别
2018-07-26 v2
摘要
在人体解析中，逐像素分类损失存在低级局部不一致和高级语义不一致的缺陷。对抗网络的引入利用单一判别器解决了这两个问题。然而，这两类解析不一致由不同机制产生，因此单一判别器难以同时解决。为应对这两种不一致，本文提出宏-微对抗网络（MMAN）。它包含两个判别器。一个判别器 Macro D 作用于低分辨率标签图，惩罚语义不一致，例如身体部位错位。另一个判别器 Micro D 关注高分辨率标签图的多个图像块，以解决局部不一致，例如模糊与孔洞。相比传统对抗网络，MMAN 不仅显式地强化局部与语义一致性，还避免了处理高分辨率图像时对抗网络的收敛性差问题。在我们的实验中，我们验证了两个判别器在提升人体解析精度上互为补充。所提框架相比当前最优方法能够产生具有竞争力的解析性能，即在 LIP 和 PASCAL-Person-Part 上 mIoU 分别为 46.81% 和 59.91%。在相对较小的数据集 PPSS 上，我们的预训练模型展现出令人印象深刻的泛化能力。代码已公开于 https://github.com/RoyalVane/MMAN。
引用
@article{arxiv.1807.08260,
title = {Macro-Micro Adversarial Network for Human Parsing},
author = {Yawei Luo and Zhedong Zheng and Liang Zheng and Tao Guan and Junqing Yu and Yi Yang},
journal= {arXiv preprint arXiv:1807.08260},
year = {2018}
}
备注
Accepted to ECCV 2018