人体解析中的自校正.
为细粒度的语义分割任务(如人体解析)标记像素级的掩码是一项具有挑战性的项目，不同语义部分之间的模糊边界会在标签中引入标签噪声。
人体解析是一个细粒度语义分割任务，旨在将人体图像的每个像素分配到一个语义类别，下图展示了人体解析中几种常见的标签噪声：
本文提出了一种净化标签噪声的方法，即人体解析的自校正(Self-Correction for Human Parsing, SCHP)。模型训练从具有噪声的标签出发，通过循环学习对标签进行逐步校正。SCHP包括模型聚合和标签细化两个步骤。通过聚合当前模型和前一个最优模型来推断更可靠的伪标签，并用这些更正的标签训练更鲁棒的模型。下图展示了迭代训练过程中每轮伪标签的迭代情况：
1. 模型设计
网络的主体结构采用CE2P。CE2P结合了人体的边缘检测和解析，包括解析(parsing)分支、边缘(edge)分支和融合(fusion)分支。解析分支用于生成人体不同部位的热图，边缘分支用于生成人体边缘，融合分支用于将部位热图和边缘结合起来生成细化的解析结果。
对于解析分支，使用交叉熵损失衡量部位热图的预测结果。假设共有$K$个部位，热图包含$N$个像素，则分割损失为：
\[\mathcal{L}_{cls} = -\frac{1}{N}\sum_{k}^{}\sum_{n}^{} \hat{y}^n_k \log p(y_k^n)\]作者进一步引入了mIoU损失提高模型表现，则解析分支的损失记为：
\[\mathcal{L}_{parsing} =\mathcal{L}_{cls} + \mathcal{L}_{miou}\]对于边缘分支，也使用交叉熵损失$\mathcal{L}_{edge}$衡量边缘的分割结果。
对于融合分支，希望部位的解析结果尽可能匹配边缘的预测结果。因此显式地增加约束项来惩罚部位和边界预测的不一致性：
\[\mathcal{L}_{consistent} = \frac{1}{|N^+|}\sum_{n \in N^+}^{} |\tilde{e}^n-e^n|\]其中$e^n$是边缘分支的边缘映射，$\tilde{e}^n$是从解析分支生成的的边缘映射。
模型的总损失函数定义为：
\[\mathcal{L} =\lambda_1 \mathcal{L}_{edge} + \lambda_2 \mathcal{L}_{parsing} + \lambda_3 \mathcal{L}_{consistent}\]下表展示了不同损失的消融实验结果：
2. 模型训练
模型训练使用一种自校正机制。通过模型和标签的聚合过程，循环学习$T$个周期得到更准确的模型和标签。对于每个周期，预设初始学习率$\eta_{max}$和最终学习率$\eta_{min}$，则学习率采用带热重启的余弦退火形式：
\[\eta = \eta_{min} + \frac{1}{2}(\eta_{max}-\eta_{min})(1+\cos(\frac{T_{cur}}{T}\pi))\]
循环自校正包括模型聚合和标签聚合两个过程。对于模型聚合，记录当前轮数的训练权重$\hat{w}$与之前训练的最优权重$\hat{w}_{m-1}$，得到融合权重并更新历史最优权重：
\[\hat{w}_m = \frac{m}{m+1}\hat{w}_{m-1} + \frac{1}{m+1}\hat{w}\]标签的更新类似，通过融合当前预测结果$\hat{y}$和前一轮标签$\hat{y}_{m-1}$获得类别关系更明确的新标签：
\[\hat{y}_m = \frac{m}{m+1}\hat{y}_{m-1} + \frac{1}{m+1}\hat{y}\]自校正训练的算法流程如下：
下表展示了模型聚合和标签聚合的消融结果：
3. 实验分析
在LIP数据集上的实验结果表明，该方法获得最好的效果：
