基于姿态引导知识迁移的弱监督与半监督人体部位解析
计算机视觉与模式识别
2018-05-14 v1
摘要
人体部位解析，或称人体语义部位分割，是许多计算机视觉任务的基础。在常规语义分割方法中，提供真值分割，并以端到端方式训练全卷积网络（FCN）。尽管这些方法已展现出令人印象深刻的成果，其性能高度依赖于训练数据的数量与质量。本文提出一种利用易获取的人体关键点标注生成合成人体部位分割数据的新方法。我们的核心思想是借助人体间的解剖相似性，将一个人的解析结果迁移至另一姿态相似的人。将这些估计结果作为额外训练数据，我们的半监督模型在PASCAL-Person-Part数据集上比其强监督对应模型高出6 mIOU，并且我们取得了最先进的人体解析结果。我们的方法具有通用性，可轻易扩展至其他物体/动物解析任务，只要其解剖相似性可由关键点标注。所提模型及附带源代码见https://github.com/MVIG-SJTU/WSHP。
引用
@article{arxiv.1805.04310,
title = {Weakly and Semi Supervised Human Body Part Parsing via Pose-Guided Knowledge Transfer},
author = {Hao-Shu Fang and Guansong Lu and Xiaolin Fang and Jianwen Xie and Yu-Wing Tai and Cewu Lu},
journal= {arXiv preprint arXiv:1805.04310},
year = {2018}
}
备注
CVPR'18 spotlight