Graphonomy: Universal Human Parsing via Graph Transfer Learning

Graphonomy: Universal Human Parsing via Graph Transfer Learning(CVPR2019)
作者认为现在human parsing任务，都是每个网络针对每个不同的数据集调到最优而牺牲了泛化能力，所以想通过一个网络能统一处理各种human parsing的数据集，设计了一个通用的human parsing模型，可以通过统一来自不同领域或不同粒度级别的label annotations来处理各种human parsing需求。首先通过Intra-Graph Reasoning 在一个数据集中的label之间学习和前传简介的高级图表达，然后通过Inter-Graph Transfer在多个数据集中转换语义信息。
Intra-Graph Reasoning:

X(HWC)是input feature，Z(N*D)是高级图表达，N是图node数即标签类别数，D是每个node的维数。W是可训练的转换矩阵，A是邻接矩阵(node adjacency weight),由上述两式即可将特征图变为关于节点的图表达。

Inter-Graph Transfer：

Atr 是映射 transfer矩阵（Zs to Zt）