Graphonomy: Universal Human Parsing via Graph Transfer Learning

最新推荐文章于 2024-06-25 09:41:23 发布

YOKE_healer

最新推荐文章于 2024-06-25 09:41:23 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.csdn.net/qq_34851676/article/details/90085157

Graphonomy是一种通过图转移学习实现的通用人体解析模型，旨在解决现有方法在不同数据集上泛化能力不足的问题。该模型通过Intra-GraphReasoning在单一数据集内建立高级图表达，并利用Inter-GraphTransfer在多个数据集间转换语义信息，以适应多样化的解析需求。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Graphonomy: Universal Human Parsing via Graph Transfer Learning(CVPR2019)
作者认为现在human parsing任务，都是每个网络针对每个不同的数据集调到最优而牺牲了泛化能力，所以想通过一个网络能统一处理各种human parsing的数据集，设计了一个通用的human parsing模型，可以通过统一来自不同领域或不同粒度级别的label annotations来处理各种human parsing需求。首先通过Intra-Graph Reasoning 在一个数据集中的label之间学习和前传简介的高级图表达，然后通过Inter-Graph Transfer在多个数据集中转换语义信息。
Intra-Graph Reasoning:
Xshi 在这里插入图片描述
X(HWC)是input feature，Z(N*D)是高级图表达，N是图node数即标签类别数，D是每个node的维数。W是可训练的转换矩阵，A是邻接矩阵(node adjacency weight),由上述两式即可将特征图变为关于节点的图表达。