多人部件解析--Towards Real World Human Parsing: Multiple-Human Parsing in the Wild

数据集：http://hcp.sysu.edu.cn/lip 
code: https://github.com/Engineering-Course/LIP_SSL. 
做人体部件分割，构建了一个新的数据库“LIP”，包含19个语义标记。在训练中融入结构信息，提升分割效果。 
人体分割具体应用：行人再认证，行为分析等。 
目前三个人体部件数据库ATR,Pascal-Person-Part和LIP复杂度比较： 

使用目前主流分割方法FCN-8S,SegNet,DeepLabV2和Attention机制在ＬＩＰ数据库上的结果如下： 

目前方法主要的问题： 
１．背部图像左右胳膊容易混淆 
２．头部在图像中不存在时，效果最差，说明头部是人体分割的重要线索。 
３．对小物体检测不好，如鞋子

Self-supervised Structure-sensitive Learning 
论文提出的方法，使用人体结构指导训练，定义９个连接点建立姿态结构，分别是head, upper body, lower body, left arm,right arm, left leg, right leg, left shoe and right shoe区域的中心点，网络结构如下图所示。 
 
对于每个分解的结果和对应的真值，获取连接点作为热度图，使用Euclidean距离评价生成的结构。之后使用连接点结构损失加权像素级分割损失，即structure-sensitive损失。 
即， 
 
LStructure=LJointLParsing

实验结果 
与其他方法对比的结果图，可以分割出较小的物体，如鞋子，也可以解决左右胳膊混淆的问题。