采用修正策略的自学习人体解析方法
计算机视觉与模式识别
2020-04-20 v1
摘要
在本文中,我们解决人体解析任务中的样本短缺问题。我们从自学习策略入手,其为未标注数据生成伪标签以重新训练模型。然而,直接使用含噪伪标签会导致误差放大与累积。考虑到人体拓扑结构,我们提出了一种可训练的图推理方法,建立图节点间的内部结构连接,以修正伪标签中的两类典型错误,即全局结构错误与局部一致性错误。对于全局错误,我们首先将类别级特征转换为带有粗粒度结构信息的高级图模型,然后解耦该高级图以重建类别特征。重建后的特征具有更强的表征人体拓扑结构的能力。扩大特征的感受野可有效减少局部错误。我们首先将特征像素投影到局部图模型,以分层图方式捕获像素级关系,然后将关系信息反向映射回像素。借助全局结构与局部一致性模块,这些错误被修正并生成可靠的伪标签用于重训练。在 LIP 和 ATR 数据集上的大量实验证明了我们的全局与局部修正模块的有效性。我们的方法在有监督人体解析任务中优于其他最先进的方法。
引用
@article{arxiv.2004.08055,
title = {Self-Learning with Rectification Strategy for Human Parsing},
author = {Tao Li and Zhiyuan Liang and Sanyuan Zhao and Jiahao Gong and Jianbing Shen},
journal= {arXiv preprint arXiv:2004.08055},
year = {2020}
}
备注
Accepted to CVPR 2020