تحليل البشر على مستوى المثال من خلال شبكة تجميع الأجزاء
تحليل البشر على مستوى الحالة في سيناريوهات تحليل البشر الواقعية لا يزال مجالًا غير مستكشف بشكل كافٍ بسبب نقص الموارد البياناتية الكافية والصعوبات التقنية في تحليل العديد من الحالات دفعة واحدة. العديد من الأعمال ذات الصلة تتبع أنبوب "التحليل عبر الكشف" الذي يعتمد بشكل كبير على نماذج كشف تم تدريبها بشكل منفصل لتحديد مواقع الحالات، ثم يقوم بتحليل البشر لكل حالة بالترتيب. ومع ذلك، فإن هدفي التحسين المختلفين للكشف والتحليل يؤديان إلى تعلم تمثيل غير مثالي وتراكم الأخطاء للنتائج النهائية. في هذا العمل، نقوم بأول محاولة لاستكشاف شبكة تجميع الأجزاء بدون كشف (PGN) لتحليل عدة أشخاص في صورة دفعة واحدة بكفاءة. تقوم شبكتنا PGN بإعادة صياغة تحليل البشر على مستوى الحالة كمهمتين فرعيتين توأمتين يمكن تعلمها معًا وتحسينهما متبادلًا عبر شبكة موحدة: 1) تقسيم الجزء الدلالي لتعيين كل بكسل كجزء بشري (مثل الوجه، الذراعين)؛ 2) اكتشاف الحواف الواعية بالحالة لتجميع الأجزاء الدلالية في حالات شخصية مختلفة. وهكذا，则共享的中间表示将具备同时描述细粒度部分和推断每个部分所属实例的能力。最后，在推理过程中采用了一个简单的实例分割过程来获得最终结果。我们在 PASCAL-Person-Part 数据集上进行了实验，我们的 PGN 在所有最先进的方法中表现最佳。此外，我们展示了它在新收集的多人解析数据集（CIHP）上的优越性，该数据集包含 38,280 张多样化的图像，是迄今为止最大的数据集，可以促进更先进的人体分析。CIHP 基准测试和我们的源代码可在 http://sysu-hcp.net/lip/ 获得。为了确保符合阿拉伯语的表达习惯和语言风格，以下是优化后的翻译：تحليل البشر على مستوى الحالة في سيناريوهات تحليل البشر الواقعية لا يزال مجالًا غير مستكشف بشكل كافٍ بسبب نقص الموارد البياناتية الكافية والصعوبات التقنية في تحليل العديد من الحالات دفعة واحدة. العديد من الأعمال ذات الصلة تتبع أنبوب "التحليل عبر الكشف" الذي يعتمد بشكل كبير على نماذج كشف تم تدريبها بشكل منفصل لتحديد مواقع الحالات، ثم يقوم بتحليل البشر لكل حالة بالترتيب. ومع ذلك، فإن هدفي التحسين المختلفين للكشف والتحليل يؤديان إلى تعلم تمثيل غير مثالي وتراكم الأخطاء للنتائج النهائية. في هذا البحث، نقوم بأول محاولة لاستكشاف شبكة تجميع الأجزاء بدون كشف (Part Grouping Network - PGN) لتحليل عدة أشخاص في صورة دفعة واحدة بكفاءة.شبكتنا PGN تقوم بإعادة صياغة تحليل البشر على مستوى الحالة كمهمتين فرعيتين توأمتين يمكن تعلمها معًا وتحسينهما متبادلًا عبر شبكة موحدة:1) تقسيم الجزء الدلالي لتعيين كل بكسل كجزء بشري (مثل الوجه، الذراعين)；2) اكتشاف الحواف الواعية بالحالة لتجميع الأجزاء الدلالية في حالات شخصية مختلفة.وهكذا，则共享的中间表示将具备同时描述细粒度部分和推断每个部分所属实例的能力。أخيرًا，在推理过程中采用了一个简单的实例分割过程来获得最终结果。قمنا بإجراء التجارب على مجموعة بيانات PASCAL-Person-Part وأظهرت شبكتنا PGN أفضل أداء مقارنة بجميع الأساليب الرائدة حاليًا. بالإضافة إلى ذلك، أظهرنا تفوقها على مجموعة بيانات جديدة متعددة الأشخاص (CIHP) التي تحتوي على 38,280 صورة متنوعة، وهي أكبر مجموعة بيانات حتى الآن ويمكن أن تسهل المزيد من التحليل البشري المتقدم. يمكن الحصول على مقاييس CIHP ومصدر الرمز الخاص بنا من http://sysu-hcp.net/lip/.为了进一步优化句子结构并确保流畅性和正式性，以下是最终版本：分析人类在现实场景中的实例级解析仍然是一个未充分探索的领域，主要是由于缺乏足够的数据资源和技术上难以一次性解析多个实例。许多相关工作都遵循“通过检测进行解析”的流程，该流程严重依赖单独训练的检测模型来定位实例，然后依次对每个实例进行人类解析。然而，检测和解析的不同优化目标导致了次优的表征学习和最终结果中的错误累积。在这项工作中，我们首次尝试探索一种无检测的部件分组网络（Part Grouping Network - PGN），以高效地一次性解析图像中的多个人物。我们的PGN将实例级人类解析重新定义为两个孪生子任务，这些任务可以通过统一网络联合学习并相互改进：1）语义部件分割，用于将每个像素分配给人类部件（例如面部、手臂）；2）实例感知边缘检测，用于将语义部件分组成不同的个人实例。因此，共享的中间表示将具备同时描述细粒度部分和推断每个部分所属实例的能力。最后，在推理过程中采用了一个简单的实例分割过程来获得最终结果。我们在PASCAL-Person-Part数据集上进行了实验，并且我们的PGN在所有最先进方法中表现出色。此外，我们展示了其在新收集的多人解析数据集（CIHP）上的优越性，该数据集包含38,280张多样化的图像，是迄今为止最大的数据集，并可以促进更先进的人体分析。CIHP基准测试和我们的源代码可在http://sysu-hcp.net/lip/获取。تحليل البشر على مستوى الحالة في سيناريوهات التحليل الواقعية لا يزال مجالًا غير مستكشف بشكل كافٍ بسبب نقص الموارد البياناتية الكافية والصعوبات التقنية في تحليل العديد من الحالات دفعة واحدة. العديد من الأعمال ذات الصلة تتبع أنبوب "التحليل عبر الكشف" الذي يعتمد بشكل كبير على نماذج كشف تم تدريبها بشكل منفصل لتحديد مواقع الحالات، ثم يقوم بتحليل البشر لكل حالة بالترتيب. ومع ذلك، فإن هدفي التحسين المختلفين للكشف والتحليل يؤديان إلى تعلم تمثيل غير مثالي وتراكم الأخطاء للنتائج النهائية.في هذا البحث، نقوم بأول محاولة لاستكشاف شبكة تجميع الأجزاء بدون كشف (Part Grouping Network - PGN) لتحليل عدة أشخاص في صورة دفعة واحدة بكفاءة. تقوم شبكتنا PGN بإعادة صياغة تحليل البشر على مستوى الحالة كمهمتين فرعيتين توأمتين يمكن تعلمها معًا وتحسينهما متبادلًا عبر شبكة موحدة:1) تقسيم الجزء الدلالي لتعيين كل بكسل كجزء بشري (مثل الوجه، الذراعين)；2) اكتشاف الحواف الواعية بالحالة لتجميع الأجزاء الدلالية في حالات شخصية مختلفة.وهكذا，则共享的中间表示将具备同时描述细粒度部分和推断每个部分所属实例的能力。أخيرًا，在推理过程中采用了一个简单的实例分割过程来获得最终结果。قمنا بإجراء التجارب على مجموعة بيانات PASCAL-Person-Part وأظهرت شبكتنا PGN أفضل أداء مقارنة بجميع الأساليب الرائدة حاليًا. بالإضافة إلى ذلك، أظهرنا تفوقها على مجموعة بيانات جديدة متعددة الأشخاص (CIHP)، والتي تحتوي على 38,280 صورة متنوعة وهي أكبر مجموعة بيانات حتى الآن ويمكن أن تسهل المزيد من التحليل البشري المتقدم. يمكن الحصول على مقاييس CIHP ومصدر الرمز الخاص بنا من http://sysu-hcp.net/lip/.