Kantenbewusste Graph-Darstellungslern- und Schlussfolgerungsverfahren für Gesichtsaufteilung

Die Gesichtsaufteilung (Face Parsing) ordnet jedem像素 eine klassifizierte Etikettierung zu, was in letzter Zeit erhebliche Aufmerksamkeit erregt hat. Bisherige Ansätze haben ihre Effizienz bei der Gesichtsaufteilung gezeigt, vernachlässigen jedoch die Korrelationen zwischen verschiedenen Gesichtsregionen. Diese Korrelationen stellen einen entscheidenden Hinweis auf Erscheinungsbild, Pose, Mimik usw. dar und sollten bei der Gesichtsaufteilung berücksichtigt werden. Um dies zu erreichen, schlagen wir vor, die regionalen Beziehungen durch das Lernen von Graphdarstellungen zu modellieren und zu verarbeiten, und die Kanteninformationen zwischen Regionen zur verbesserten Abstraktion zu nutzen. Konkret kodieren wir ein Gesichtsbild in eine globale Graphdarstellung, bei der eine Ansammlung von Pixeln („Regionen“), die ähnliche Merkmale aufweisen, jeweils einem Knoten zugeordnet werden. Unser Modell lernt und schließt Beziehungen zwischen den Regionen durch Informationsweiterleitung über die Knoten des Graphen. Darüber hinaus integrieren wir die Kanteninformationen, um die pixelweisen Merkmale auf die Knoten zu aggregieren, wodurch die Merkmale in der Nähe von Kanten hervorgehoben werden, um eine präzise Segmentierung entlang der Kanten zu ermöglichen. Die schließlich erlernte Graphdarstellung wird schließlich zurück in ein Pixelgitter projiziert, um die Gesichtsaufteilung durchzuführen. Experimente zeigen, dass unser Modell auf dem weit verbreiteten Helen-Datensatz die derzeit besten Methoden übertrifft und zudem eine herausragende Leistung auf den großen Datensätzen CelebAMask-HQ und LaPa erzielt. Der Quellcode ist unter https://github.com/tegusi/EAGRNet verfügbar.