تظل مهمة تسمية الأقنعة على مستوى البكسل للمهام الفرعية الدقيقة للتقطيع الدلالي، مثل تحليل الإنسان، من المهام الصعبة. الحدود الغامضة بين الأجزاء الدلالية المختلفة والفئات ذات المظهر المشابه غالبًا ما تكون مربكة، مما يؤدي إلى ضوضاء غير متوقعة في أقنعة الحقيقة الأرضية. لمعالجة مشكلة التعلم مع الضوضاء في التسميات، يقدم هذا العمل استراتيجية تنقية تُعرف بـ "التصحيح الذاتي لتحليل الإنسان" (Self-Correction for Human Parsing - SCHP)، والتي تعمل بشكل تدريجي على تعزيز موثوقية التسميات الإشرافية وكذلك النماذج المستلمة.وبشكل خاص، بدءًا من نموذج تم تدريبه باستخدام تسميات غير دقيقة كبداية، صممنا جدولًا زمنيًا للتعلم الدوري لاستنتاج أقنعة وهمية أكثر ثقة من خلال دمج النموذج الحالي المستلم بشكل متكرر مع النموذج الأمثل السابق بطريقة مستمرة عبر الإنترنت. بالإضافة إلى ذلك، يمكن لهذه التسميات المصححة بشكل متوافق أن تعزز بدورها أداء النموذج بشكل أكبر. بهذه الطريقة، ستصبح النماذج والتسميات أكثر متانة ودقة خلال دورة التصحيح الذاتي.نتيجةً لتفوق SCHP، حققنا أفضل الأداء في معيارين شائعين لتقطيع الإنسان الفردي، وهما مجموعة بيانات LIP ومجموعة بيانات Pascal-Person-Part. حاز نظامنا الشامل على المركز الأول في تحدي LIP ضمن مؤتمر CVPR2019. يمكن الوصول إلى الكود عبر الرابط: https://github.com/PeikeLi/Self-Correction-Human-Parsing.