Human Parsing人体解析多篇论文简读

Macro-Micro Adversarial Network for Human Parsing(ECCV2018)

摘要:在人体解析中,pixel-wise分类loss在低级局部不一致和高级语义不一致上有不足。引入带有一个判别器的生成式网络来解决这两个不一致。但是,这两种不一致是由不同机制产生的,所以一个判别器不能解决两个不一致。所以提出Macro-Micro对抗网络,俩判别器。同时,避免了对抗网络处理高分辨率图像时的poor convergence问题。

Introduction:pixel-wise loss有两个缺点:1.产生局部不一致,比如空洞或模糊,因为它仅处罚每个像素上的错误预测,而不考虑邻接像素间的关系。2.产生语义不一致,比如不合理的pose或不正确的部件间空间关系,产生于深层,只注意局部区域,学习的模型对于部件的拓扑关系没有整体认识,以致于大范围的依赖关系不能捕捉。

为了解决不一致,--->CRFs,作为后处理的方式,(缺:因为pairwise potentials,CRFs通常处理小范围的局部的不一致,甚至有可能生成错误的label maps)

----->adversarial network,(优:adversarial loss通过多个lable变量的joint configuration评估一个label map为真或假,可以产生

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值