摘要
对于细粒度语义分割任务（例如人体解析），像素级掩码的标注仍然是一项具有挑战性的任务。不同语义部分之间的模糊边界以及外观相似的类别通常会引起混淆，导致地面真值掩码中出现意外噪声。为了解决带有标签噪声的学习问题，本研究引入了一种净化策略，称为自校正人体解析（Self-Correction for Human Parsing, SCHP），以逐步提高监督标签和学习模型的可靠性。具体而言，从使用不准确注释初始化的模型开始，我们设计了一个循环学习调度器，通过在线方式迭代地聚合当前学习到的模型与之前的最优模型，从而推断出更可靠的伪掩码。此外，这些相应修正后的标签可以进一步提升模型性能。通过这种方式，在自校正学习周期中，模型和标签将相互变得更加鲁棒和准确。得益于SCHP的优势，我们在两个流行的人体解析基准数据集上取得了最佳性能，包括LIP和Pascal-Person-Part数据集。我们的整体系统在CVPR2019 LIP挑战赛中排名第一。代码可在https://github.com/PeikeLi/Self-Correction-Human-Parsing 获取。