深度学习论文（十）---Multiple-Human Parsing in the Wild

Towards Real World Human Parsing: Multiple-Human Parsing in the Wild J Li ， J Zhao ， Y Wei ， C Lang ， Y Li May 23 2017 https://arxiv.org/abs/1705.07206

这是今年5月份的一篇论文，我觉得有点意思所以就读了一下：

1、导引

之前很多做human parsing的工作都是考虑的一张图里面只有一个人，这种情况的确比较简单，因为现实世界很多时候的照片包含的人物不止一个，所以这篇文章的作者就考虑到这个问题，做了Multiple Human Parsing.

这篇文章的三个贡献点：

A、介绍了多人物分析问题，扩展了人物解析的研究范围，并在各种应用中更好地与真实世界情景相匹配。

B、他们新建了一个较大的Benchmark---Multiple Human Parsing (MHP) Dataset

C、他们提出来一个新的MH-Parser model用于multiple human parsing，结合了全局信息和局部信息，然后其表现超过了以往的那种简单的”detect-and-parse”的方法。

2、相关工作

A、Human parsing

这一部分我就不多说了，介绍了以前human parsing的各种方法。

B、Instance-aware object segmentation

这里提到了一个工作：Multi-task Network Cascades for differentiating instances. 应该是一个做instance segmentation的工作，这个论文我也还没有看过，之后有时间会去看一下。这个工作的分割不是特别细，也就是说它停留在person这个level，没有进一步对body part进行segment，但是之后我还是准备看一下，毕竟是做instance segmentation的。

3、MHP Dataset

这个Dataset包含4980张Img，每一张都至少有两个person在图中。每个前景人物都被标注了用人类专家的18种语义标签。

7个body parts:  “hair”, “face”, “left leg”, “right leg”, “left arm”, “right arm”, and “torso skin”

11个fashion categories： “hat”, “sunglasses”, “upper clothes”, “skirt”, “pants”, “dress”, “belt”, “left shoe”, “right shoe”, “bag”,  and “scarf” .

 MHP数据集中总共有14,969个人物级别的注释。980张用作testing set，3000张用于training set， 1000张作为validation set。

4、Multiple-Human Parsing Methods

①MH-Parser

包含5个部分：

A、Representationlearner

这是主干网络，是一个CNN特征器，它提取的特征由后面几个模块共享，这里使用全卷积网络，以保持 spatial 信息。

B、Global parser

 获取整幅图像的全局信息，就是对整幅图来做个parsing

C、Candidate nominator

包括三个子模块Region Proposal Network(RPN), abounding box classifier andabounding box regression，类似于 Faster RCNN，将每个人检测出来，得到矩形框

D、Local parser

 针对每个含有人的矩形框，进行 semantic labels 语义标记

E、Global-localaggregator

同时将 local parser and the global parser 网络中隐含的信息输入，用于单人矩形框的semantic parsing predictions

②Detect-and-parse baseline

分为两个不同的阶段，detection stage和parsing stage. 在detection stage中，把representation learner和candidate nominator 作为detection model，在parsing stage中，把representation learner和local prediction作为parsing model.

注意这两个阶段的representation learner是相互独立不分享信息的。