UniParser：基于统一相关性表征学习的多人解析

基于摘要分析。UniParser 研究多人图像中的人体解析，需要同时区分不同人物实例及其细粒度部位类别。针对既有方法分别处理实例与类别信息、采用不同分支和输出形式所带来的冗余，论文提出统一相关性表征学习框架，整合这两类信息。 方法包含三个方面：在余弦空间中学习实例与类别特征；将各模块输出统一为像素级结果，使用同质标签并配合辅助损失监督两类特征；通过联合优化融合实例与类别表征。摘要未给出相关性的具体计算方式、标签构造、辅助损失形式及联合优化细节，尚不能据此还原实现。作者称，统一输出使 UniParser 无需手工设计的后处理，但这不等同于已经验证计算量或推理延迟更低。 作者报告，在多人解析任务中，UniParser 在 MHPv2.0 上取得 49.3% AP，在 CIHP 上取得 60.4% AP，并称优于当时的先进方法。摘要未说明数据划分、AP 的具体定义与计算协议、对照方法和训练设置，因此这些结果不能脱离各自评估背景直接比较；实验协议、消融及统计信息尚未验证。 作者表示已发布源代码、预训练模型与演示，但本次未核验其可用性及复现条件。本文主要研究对象是图像中的多人解析，并非 EEG 或 BCI；摘要未提供神经信号评估，也不足以建立具体的迁移有效性结论。