UniParser：基于统一关联表示学习的多人解析
计算机视觉与模式识别
2024-05-21 v2
摘要
多人解析是一项同时需要实例级与细粒度类别级信息的图像分割任务。然而，已有研究通常通过独立分支与不同输出形式处理这两类信息，导致框架低效且冗余。本文提出UniParser，在三个关键方面融合实例级与类别级表示：1) 提出统一关联表示学习方法，使网络在余弦空间中学习实例与类别特征；2) 将各模块输出统一为像素级分割结果，并以同质标签配合辅助损失监督实例与类别特征；3) 设计联合优化流程以融合实例与类别表示。借助统一实例级与类别级输出，UniParser规避了人工设计的后处理技术，超越现有最优方法，在MHPv2.0上取得49.3% AP，在CIHP上取得60.4% AP。我们将发布源代码、预训练模型与在线演示以促进后续研究。
引用
@article{arxiv.2310.08984,
title = {UniParser: Multi-Human Parsing with Unified Correlation Representation Learning},
author = {Jiaming Chu and Lei Jin and Junliang Xing and Jian Zhao},
journal= {arXiv preprint arXiv:2310.08984},
year = {2024}
}