面向人体解析的自校正方法
计算机视觉与模式识别
2019-10-23 v1 机器学习
图像与视频处理
摘要
为细粒度语义分割任务（如人体解析）标注像素级掩码仍具挑战性。不同语义部件间及外观相似类别间模糊的边界常令人困惑，导致真值掩码中出现非预期噪声。为应对带标签噪声学习的问题，本工作引入一种称为面向人体解析的自校正（SCHP）的净化策略，以逐步提升监督标签及所学模型的可靠性。具体而言，从以不准确标注训练的模型作为初始化起点，我们设计一种循环学习调度器，通过在线方式迭代聚合当前所学模型与前一最优模型来推断更可靠的伪掩码。此外，那些相应修正的标签又可反过来进一步提升模型性能。以此方式，模型与标签在自校正学习循环中会相互变得更为鲁棒与准确。得益于SCHP的优越性，我们在两个流行的单人人体解析基准（包括LIP与Pascal-Person-Part数据集）上取得最佳性能。我们的整体系统在CVPR2019 LIP挑战赛中排名第1。代码见 https://github.com/PeikeLi/Self-Correction-Human-Parsing。
引用
@article{arxiv.1910.09777,
title = {Self-Correction for Human Parsing},
author = {Peike Li and Yunqiu Xu and Yunchao Wei and Yi Yang},
journal= {arXiv preprint arXiv:1910.09777},
year = {2019}
}