科研之友
微信
新浪微博
Facebook
分享链接
摘要
人体解析是一项细粒度级别的语义分割任务，随着人体解析数据集中标注类别的精细化，人体解析数据集呈长尾分布，导致对相似类别的识别难度不断增大。均衡采样是解决长尾分布问题的有效方法。针对人体解析任务中难以对标注目标进行均衡采样和模型对相似类别的误判率增加等问题，文中提出了一种结合区域采样和类间损失的人体解析模型，该模型包含语义分割网络、区域均衡采样模块(Regionally Balanced Sampling Module, RBSM)和类间损失模块(Inter-class Loss Module, ILM)3个部分。首先将待解析图片送入语义分割网络得到初步预测结果，RBSM对初步的预测结果和真实标签进行采样，对采样后的预测结果和真实标签计算主损失；同时提取出语义分割网络的最后一层特征热图与真实标签，并将其送入ILM计算类间损失，让模型同时优化主损失和类间损失，最终得到精度更高的模型。在MHPv2.0数据集上的实验结果表明，该模型在不更改原有语义分割网络结构的基础上将mIoU评测指标提高了1.3%以上，有效缓解了长尾分布和类间的相似性给人体解析带来的影响。
- 单位
