端到端的一次性人类解析.

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 现有的人类解析方法仅限于预定义的类别,限制它们在具有新型项目类别的动态时尚应用中使用.
• 实际的时尚分析需要将人类解析成一组开放的类,在测试过程中可以适应未见的类别.

研究的目的:

• 定义和解决新的一次性人类解析 (OSHP) 任务,使解析成为一个开放的类集.
• 开发一个有效的模型,EOP-Net,能够处理诸如小物体大小,测试偏差和类似的部分歧视在OSHP中的挑战.

主要方法:

• 提出了一个端到端的一次性人类解析网络 (EOP-Net),用于将图像解析成粗粒度和细粒度的人类类.
• 实施了训练时间原型的逐步平滑,以实现强大的类表示和增强特征学习和可转移性的动态目标.
• 在原型级别内加入了对比损失,以改善视觉上相似的人体部位之间的歧视.

主要成果:

• EOP-Net在量身定制的OSHP基准上表现强,明显优于现有的一次性细分模型.
• 该方法有效地解决了小物体大小的挑战,减轻了测试偏差,并改善了对类似的人体部位的歧视.
• 开发的方法显示了适应新课程的适应性,这对于现实世界时尚应用至关重要.

结论:

• 新的OSHP任务和EOP-Net提供了一个灵活的框架,用于在类定义不断变化的场景中进行人类解析.
• EOP-Net为一次性人类解析建立了强大的基准,为未来适应性视觉识别系统的研究铺平了道路.
• 拟议的方法为实际应用提供了显著的改进,特别是在时尚领域,通过允许对开放类别进行解析.