نظر في الشخص: التعلم الذاتي الحساس للهيكل ومعيار جديد لتحليل الإنسان

لقد أثار تحليل الإنسان اهتمامًا بحثيًا كبيرًا مؤخرًا بسبب إمكاناته التطبيقية الهائلة. ومع ذلك، فإن المجموعات البيانات الحالية تحتوي على عدد محدود من الصور والشروحات، وتفتقر إلى تنوع مظاهر الإنسان وتغطية الحالات الصعبة في البيئة غير المقيدة. في هذا البحث، نقدم مقاييس جديدة "النظر في الشخص (LIP)" التي تحقق تقدمًا كبيرًا فيما يتعلق بالمرونة والتنوع والصعوبة، وهي مساهمة نعتبرها حاسمة للتطورات المستقبلية في التحليل المركزي للإنسان. يحتوي هذا المجموعة البيانات الشاملة على أكثر من 50,000 صورة مشروحة بدقة مع 19 علامة جزء سيميائية، تم التقاطها من نطاق أوسع من الزوايا والتشوهات والإعدادات الخلفية المعقدة. بناءً على هذه الشروحات الغنية، نقوم بتحليل مفصل للأساليب الرائدة في تحليل الإنسان، مما يوفر رؤى حول نجاحات وأخفاقات هذه الأساليب. بالإضافة إلى ذلك، وعلى عكس الجهود الحالية لتحسين قدرة الميزات على التمييز، نحل مشكلة تحليل الإنسان عبر استكشاف طريقة تعلم ذاتي جديدة حساسة للهيكل، والتي تقوم بإدخال هيكل وضع الإنسان في نتائج التحليل دون اللجوء إلى إشراف إضافي (أي لا حاجة لتسمية نقاط مفصل الإنسان بشكل خاص أثناء تدريب النموذج). يمكن دمج إطارنا للتعلم الذاتي في أي شبكة عصبية متقدمة لمساعدتها على دمج معرفة عالية المستوى غنية بشأن نقاط مفصل الإنسان من وجهة نظر شاملة وتحسين نتائج التحليل. أظهرت التقييمات الواسعة التي أجريت على مجموعة بياناتنا LIP ومجموعة بيانات PASCAL-Person-Part العامة أفضلية طريقتنا.