用于实例级人体分析的 Parsing R-CNN
计算机视觉与模式识别
2018-12-03 v1
摘要
实例级人体分析在真实场景中是常见需求，并具有多种表现形式，如人体部位分割、密集姿态估计、人与物体交互等。模型需要区分图像面板中不同人体实例，并学习丰富特征以表征每个实例的细节。本文提出一种端到端流水线用于解决实例级人体分析，称为 Parsing R-CNN。它通过综合考虑基于区域的方法的特性以及人体外观，同时处理一组人体实例，从而能够表征实例的细节。Parsing R-CNN 非常灵活高效，适用于人体实例分析中的诸多问题。我们的方法在 CIHP（Crowd Instance-level Human Parsing）、MHP v2.0（Multi-Human Parsing）和 DensePose-COCO 数据集上优于所有最先进方法。基于所提出的 Parsing R-CNN，我们在 COCO 2018 挑战赛 DensePose 估计任务中获得第一名。代码与模型已公开可用。
引用
@article{arxiv.1811.12596,
title = {Parsing R-CNN for Instance-Level Human Analysis},
author = {Lu Yang and Qing Song and Zhihui Wang and Ming Jiang},
journal= {arXiv preprint arXiv:1811.12596},
year = {2018}
}
备注
COCO 2018 DensePose Challenge Winner