من المشاهد البسيطة إلى المعقدة: تعلم تمثيلات مميزة قوية لتحليل الإنسان بدقة

لقد جذب تحليل الإنسان اهتمامًا بحثيًا كبيرًا بسبب تطبيقاته المحتملة الواسعة في مجتمع رؤية الحاسوب. في هذا البحث، نستكشف عدة خصائص مفيدة، بما في ذلك التمثيل عالي الدقة، الإرشاد المساعد، ومتانة النموذج، والتي تسهم مجتمعةً في طريقة جديدة لتحليل الإنسان بدقة سواء في المشاهد البسيطة أو المعقدة. بدءًا من المشاهد البسيطة: نقترح شبكة دقة هجينة مدركة للحدود (BHRN)، وهي شبكة متقدمة لتحليل الإنسان. تستخدم BHRN طبقات فك الالتفاف والإشراف على نطاق متعدد لتوليد تمثيلات غنية وعالية الدقة. بالإضافة إلى ذلك، تحتوي على فرع استقبال الحواف المصمم لتعزيز دقة حدود الأجزاء. استنادًا إلى BHRN، نبني إطار تعلّم متبادل لمهمة مزدوجة (DTML). ليس فقط أنه يوفر إرشادًا ضمنيًا لمساعدة المحلل من خلال دمج ميزات الحدود، بل يحافظ أيضًا صراحة على الاتساق عالي الدرجة بين تنبؤ التحليل والحقيقة الأرضية. تجاه المشاهد المعقدة: نطور طريقة تحويل مجال لتعزيز متانة النموذج. من خلال تحويل فضاء الإدخال من المجال المكاني إلى مجال لحظات فورييه القطبي التوافقي، تصبح علاقة التعيين إلى فضاء الدلالة الناتج مستقرة للغاية. هذا التحويل يولد تمثيلات متينة لكل من البيانات النظيفة والتالفة. عند التقييم على مجموعات بيانات معيارية قياسية، تحقق طريقتنا أداءً متفوقًا مقارنة بأحدث طرق تحليل الإنسان. علاوة على ذلك، تعزز استراتيجيتنا لتحويل المجال بشكل كبير متانة DTML بشكل ملحوظ في معظم المشاهد المعقدة.