論文の概要: Nondiscriminatory Treatment: a straightforward framework for multi-human parsing

• arxiv url: http://arxiv.org/abs/2101.10913v1
• Date: Tue, 26 Jan 2021 16:31:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:51:04.729340
• Title: Nondiscriminatory Treatment: a straightforward framework for multi-human parsing
• Title（参考訳）: 非差別的治療:マルチヒューマン解析のための簡単な枠組み
• Authors: Min Yan, Guoshan Zhang, Tong Zhang, Yueming Zhang
• Abstract要約: マルチヒューマンパーシングは、すべての人間のインスタンスのすべてのボディ部分をセグメントすることを目的としている。 我々は,新しい直感的視点から,エンドツーエンドでボックスフリーなパイプラインを提案する。 実験の結果,ネットワークは最先端の手法に対して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 14.254424142949741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-human parsing aims to segment every body part of every human instance. Nearly all state-of-the-art methods follow the "detection first" or "segmentation first" pipelines. Different from them, we present an end-to-end and box-free pipeline from a new and more human-intuitive perspective. In training time, we directly do instance segmentation on humans and parts. More specifically, we introduce a notion of "indiscriminate objects with categorie" which treats humans and parts without distinction and regards them both as instances with categories. In the mask prediction, each binary mask is obtained by a combination of prototypes shared among all human and part categories. In inference time, we design a brand-new grouping post-processing method that relates each part instance with one single human instance and groups them together to obtain the final human-level parsing result. We name our method as Nondiscriminatory Treatment between Humans and Parts for Human Parsing (NTHP). Experiments show that our network performs superiorly against state-of-the-art methods by a large margin on the MHP v2.0 and PASCAL-Person-Part datasets.
• Abstract（参考訳）: マルチヒューマンパーシングは、すべての人間のインスタンスのすべてのボディ部分をセグメントすることを目的としている。 ほとんどすべての最先端のメソッドは、「検出ファースト」または「セグメントファースト」パイプラインに従います。 それらとは違って、新しい、より人間の直感的な視点からエンドツーエンドとボックスフリーのパイプラインを提示します。 トレーニング時間では、人間とパーツのインスタンスセグメンテーションを直接行います。 より具体的には、人間とパーツを区別せずに扱い、両方をカテゴリの例とみなす「カテゴリー付き無差別オブジェクト」の概念を導入する。 マスク予測では、各バイナリマスクは、すべての人間と部品カテゴリ間で共有されたプロトタイプの組み合わせによって得られる。 推論時間において、各部分のインスタンスと1つの人間のインスタンスを関連付け、それらをグループ化して最終的な人間レベルの解析結果を得る、新しいグループ化後処理法を設計する。 本手法は, NTHP (nondiscriminatory Treatment between Humans and Parts for Human Parsing) と命名した。 MHP v2.0 と PASCAL-Person-Part のデータセットにおいて,我々のネットワークは最先端の手法よりも大きなマージンで優れていることを示す。

関連論文リスト

• Single-stage Multi-human Parsing via Point Sets and Center-based Offsets [28.70266615856546]
  本稿では,マルチヒューマン解析問題を2つの微粒なサブプロブレムに分解する,高性能なシングルステージマルチヒューマンパーシングアーキテクチャを提案する。 提案手法では,より少ない訓練エポックとより複雑なモデルアーキテクチャを必要とする。 特に、提案手法では、トレーニングのエポックを少なくし、より複雑なモデルアーキテクチャを必要とする。
  論文  参考訳（メタデータ） (2023-04-22T09:30:50Z)
• RepParser: End-to-End Multiple Human Parsing with Representative Parts [74.31841289680563]
  本稿では、Repと呼ばれる代表部品を用いたエンドツーエンドのマルチパーシング・フレームワークを提案する。 Repは、人検出やポストグループ化に頼ることなく、新しい単一ステージで複数の人間のパーシングを解決する。
  論文  参考訳（メタデータ） (2022-08-27T02:22:24Z)
• AIParsing: Anchor-free Instance-level Human Parsing [98.80740676794254]
  我々は、アンカーフリーで画素レベルで解決可能なインスタンスレベルのヒューマンパーシングネットワークを設計した。 ボックス予測のためのアンカーフリー検出ヘッドと、人間のセグメンテーションのためのエッジ誘導パーシングヘッドの2つの単純なサブネットワークで構成されている。 提案手法は,最先端のワンステージトップダウン方式よりも優れたグローバルレベルおよびインスタンスレベルの性能を実現する。
  論文  参考訳（メタデータ） (2022-07-14T12:19:32Z)
• Open-World Instance Segmentation: Exploiting Pseudo Ground Truth From Learned Pairwise Affinity [59.1823948436411]
  我々は、マスク提案のための新しいアプローチ、ジェネリックグループネットワーク(GGN)を提案する。 我々のアプローチは、ピクセル親和性の局所測定とインスタンスレベルのマスク監視を組み合わせることで、データの多様性が許容するほど汎用的なモデルを設計したトレーニングレギュレータを生成する。
  論文  参考訳（メタデータ） (2022-04-12T22:37:49Z)
• Technical Report: Disentangled Action Parsing Networks for Accurate Part-level Action Parsing [65.87931036949458]
  Part-level Action Parsingは、ビデオにおけるアクション認識を促進するための部分状態解析を目的としている。 DAP(disentangled action parsing)というシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-11-05T02:29:32Z)
• End-to-end One-shot Human Parsing [91.5113227694443]
  One-shot Human Parsing (OSHP) タスクでは、テスト例によって定義されたオープンなクラスに人間を解析する必要がある。 EOP-Net (End-to-end One-shot Human Parsing Network) が提案されている。 EOP-Netは、一発セグメンテーションモデルを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2021-05-04T01:35:50Z)
• Differentiable Multi-Granularity Human Representation Learning for Instance-Aware Human Semantic Parsing [131.97475877877608]
  カテゴリーレベルの人間のセマンティックセグメンテーションとマルチパーソンポーズ推定を共同およびエンドツーエンドで学習するために,新たなボトムアップ方式を提案する。 さまざまな人間の粒度にわたって構造情報を利用する、コンパクトで効率的で強力なフレームワークです。 3つのインスタンス認識型ヒューマンデータセットの実験は、我々のモデルがより効率的な推論で他のボトムアップの代替案よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-03-08T06:55:00Z)
• Identity-Guided Human Semantic Parsing for Person Re-Identification [42.705908907250986]
  そこで本研究では,人物の身元と身元の両方を画素レベルで特定し,人物の身元を識別する「身元案内型人間意味解析」手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T12:12:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。