要約
人間のパーツ分割（human parsing）の目的は、画像内の人物を構成要素ごとに分割することである。このタスクでは、人物画像の各ピクセルに対して、対応するクラスラベルを付与する必要がある。人間の体は階層的な構造を持ち、画像中の各部位には固有の位置分布特性が存在する。たとえば、頭部が足の下にある可能性は低く、腕は体幹に近接している傾向がある。この観察に着想を得て、我々は水平方向および垂直方向に元の人間パーツ分割ラベルを積算することで、各インスタンスクラスの分布を構築した。この分布は、教師信号として利用可能である。これらの水平方向および垂直方向のクラス分布ラベルを用いることで、ネットワークは各クラスの内在的な位置分布を適切に捉えるように導かれる。2つのガイド特徴量を組み合わせて空間的ガイドマップを構成し、これをベースラインネットワークに乗算および連結することで重畳させることで、人物部位の正確な区別が可能となる。本手法の有効性と優位性を検証するため、LIP、ATR、CIHPの3つの代表的なベンチマークデータセットを用いて広範な実験を実施した。