Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing
Stanford University（斯坦福大学）；MIT（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）；Harvard University（哈佛大学）；IBM Research（IBM研究院）；University of Arizona（亚利桑那大学）；Duke University（杜克大学）；UC Berkeley（加州大学伯克利分校）；LMU Munich（慕尼黑路德维希-马克西米利安大学）
提出Dr. DocBench基准，通过基于解析器失败的采样从多语言书籍语料库中选取挑战性文档，包含52个BISAC主题领域和65k高质量标注，用于评估专家级文档解析能力。
2026-05-31 cs.AI cs.CL cs.CV
KPM-Bench: A Kinematic Parsing Motion Benchmark for Fine-grained Motion-centric Video Understanding
Kuaishou Technology（快手科技）
KPM-Bench通过整合运动学计算与语言解析，构建了一个用于细粒度运动中心视频理解的开源基准，提出MoPE算法以提升运动描述的准确性与可靠性。
2026-02-19 cs.CV
Understanding Humans in Crowded Scenes: Deep Nested Adversarial Learning and A New Benchmark for Multi-Human Parsing
National University of Singapore（新加坡国立大学）；National University of Defense Technology（中国人民解放军国防科技大学）；Qihoo 360 AI Institute（奇虎360人工智能研究院）
尽管在检测、实例分割和人类解析等感知任务方面取得了显著进展，但计算机在拥挤场景中对人类的视觉理解，如群体行为分析、人员重新识别和自动驾驶等方面仍然表现不尽如人意。为此，模型需要全面感知多人图像中的语义信息和实例之间的差异，最近被定义为多人解析任务。在本文中，我们提出了一个新的大型数据库“多人解析（MHP）”的算法开发和评估，并提出了国家的最先进的理解人类在拥挤的场景。MHP包含25，403张精心注释的图像，具有58个细粒度的语义类别标签，每张图像涉及2-26人，并从各种视角，姿势，遮挡，交互和背景中捕获真实场景。我们进一步提出了一种新的深度嵌套对抗网络（NAN）模型，用于多人解析。NAN由三个生成对抗网络（GAN）类子网组成，分别执行语义显著性预测，实例不可知解析和实例感知聚类。这些子网形成了一个嵌套结构，并经过精心设计，以端到端的方式联合学习。NAN在我们的MHP和其他几个数据集上始终优于现有的最先进的解决方案，并作为一个强大的基线来推动未来的多人解析研究。
2018-07-06 cs.CV
OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations
Shanghai AI Laboratory（上海人工智能实验室）；Abaka AI
OmniDocBench是一个包含九种文档来源和全面标注的基准，支持多层级评估，用于公平、多样地评测文档解析方法。
2025-03-25 cs.AI cs.CV cs.IR
MindBench: A Comprehensive Benchmark for Mind Map Structure Recognition and Analysis
Meituan（美团）
本文提出MindBench基准，通过五类结构化理解与解析任务系统评估多模态大语言模型在思维导图等结构化文档上的文本识别、空间感知和关系辨别能力，揭示了现有模型的潜力与不足。
2024-07-03 cs.AI cs.CL cs.CV
Real5-OmniDocBench: A Full-Scale Physical Reconstruction Benchmark for Robust Document Parsing in the Wild
PaddlePaddle Team, Baidu Inc.（百度公司PaddlePaddle团队）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
提出首个对OmniDocBench v1.5进行全尺度一对一物理重建的基准Real5-OmniDocBench，覆盖扫描、弯曲、屏幕摄影、光照和倾斜五种真实场景，通过完整真值映射实现性能退化的因子级归因，揭示文档解析中的“现实鸿沟”。
2026-06-23 cs.CV
ParseBench: A Document Parsing Benchmark for AI Agents
本文提出ParseBench，一个包含2000多页企业文档的基准测试，涵盖表格、图表、内容忠实度、语义格式和视觉关联五大能力维度，揭示了当前系统在这些方面的能力缺口。
2026-04-13 cs.CV
DOCR-Inspector: Fine-Grained and Automated Evaluation of Document Parsing with VLM
Peking University（北京大学）；Shanghai AI Laboratory（上海人工智能实验室）；The University of HongKong（香港大学）；Shanghai Jiaotong University（上海交通大学）
DOCR-Inspector通过细粒度错误检测和分析，提供文档解析质量的自动化评估，优于现有商业和开源模型。
2025-12-11 cs.CV
MORE: A Multilingual Document Parsing Benchmark and Evaluation
研究针对多语言文档解析，现有基准侧重高资源语言。为此引入MORE基准，其具规模大、结构复杂、数据真实的特点，用它评估模型，为长尾语言建性能基线并验证基准有效性。
2026-07-07 cs.CL cs.CV
PhysLab: A Benchmark Dataset for Multi-Granularity Visual Parsing of Physics Experiments
Shandong University of Science and Technology（山东科技大学）；Cardiff University（卡迪夫大学）
本文提出首个记录学生物理实验过程的视频数据集PhysLab，包含620个长视频及多层级标注，支持动作识别、物体检测和HOI分析等任务，并通过基线评估揭示过程性教育视频解析的关键挑战。
2025-08-15 cs.CV
StrucTab: A Structured Optimization Framework for Table Parsing
提出StrucTab框架，通过中间结构监督和奖励分解优化表格解析，在多个基准上达到最优性能。
2026-09-29 cs.CV
Learning Deep Representations for Semantic Image Parsing: a Comprehensive Overview
Sun Yat-Sen University（中山大学）
图像语义分析是指将图像分解为语义区域并构造输入的结构表示的过程，近年来在计算机视觉领域引起了广泛的兴趣。最近深度表示学习的应用推动这一领域进入了一个新的发展阶段。本文综述了图像语义分析的三个方面的研究进展，类别级语义分割、实例级语义分割和超越分割。具体来说，我们首先回顾每个任务的一般框架，并介绍相关的变体。每种方法的优点和局限性进行了讨论。此外，我们提出了一个全面的比较不同的基准数据集和评估指标。最后，我们探讨了语义图像解析的未来趋势和挑战。
2018-10-10 cs.CV
Cross-Covariate Gait Recognition: A Benchmark
Central South University（中南大学）；Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）
本文构建含970人、约160万序列的多视角多协变量CCGR基准，并提出ParsingGait；实验表明现有SOTA准确率不足43%，跨协变量步态识别仍具紧迫挑战。
2024-03-04 cs.CV
ChartArena: Benchmarking Chart Parsing across Languages, Scenarios, and Formats
Large Language Model Department, Tencent（腾讯大语言模型部门）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Shenzhen Loop Area Institute（深圳河套学院）；Nankai University（南开大学）
提出ChartArena，一个覆盖8种图表族、3种视觉场景的双语基准，通过人机协作标注和格式无关评估协议，系统评估26个多模态大模型的图表解析能力，揭示前沿模型差距与挑战。
2026-07-07 cs.CV
FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild
Imperial College London（帝国理工学院）
基于图像的年龄估计旨在从面部图像中预测人的年龄。它被用于各种实际应用中。尽管端到端深度模型在基准数据集上的年龄估计方面取得了令人印象深刻的结果，但由于头部姿势、面部表情和遮挡的巨大变化所带来的挑战，它们在野外的性能仍有很大的改进空间。为了解决这个问题，我们提出了一种简单而有效的方法来明确地将面部语义纳入年龄估计，以便模型能够正确地关注未对齐面部图像中信息量最大的面部组件，而不管头部姿势和非刚性变形。为此，我们设计了一个基于人脸解析的网络来学习不同尺度的语义信息，并设计了一个新的人脸解析注意力模块来利用这些语义特征进行年龄估计。为了在野外数据上评估我们的方法，我们还引入了一个新的具有挑战性的大规模基准测试，称为IMDB-Clean。该数据集是通过使用约束聚类方法半自动清理嘈杂的IMDB-WIKI数据集创建的。通过在IMDB-Clean和其他基准数据集上的综合实验，在数据集内和跨数据集评估协议下，我们表明我们的方法始终优于所有现有的年龄估计方法，并实现了新的最先进的性能。据我们所知，我们的工作提出了第一次尝试利用人脸解析注意力来实现语义感知的年龄估计，这可能会启发其他高层次的面部分析任务。代码和数据可在\url{https://github.com/ibug-group/fpage}上获得。
2022-03-04 cs.CV
How Far Is Document Parsing from Solved? PureDocBench: A Source-Traceable Benchmark across Clean, Degraded, and Real-World Settings
CASIA（中国科学院自动化研究所）；UCAS（中国科学技术大学）；NWPU（西北工业大学）；JLU（吉林大学）；USTC（中国科学技术大学）；PKU（北京大学）；HelloGroup；ShanghaiTech（上海科技大学）；Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（北京多模态信息超级智能安全重点实验室）
本文提出PureDocBench，一个可追溯的基准测试，覆盖10个领域、66个子类和1475页文档，包含清洁、数字退化和现实退化三种版本。评估40种模型发现，文档解析尚未解决，最佳模型得分仅74分，公式识别仍是瓶颈，通用VLM在退化下表现不如专用模型。
2026-09-29 cs.CV
Context-based Deep Learning Architecture with Optimal Integration Layer for Image Parsing
Central Queensland University（中央昆士兰大学）
深度学习模型最近在图像解析任务上很有效。然而，深度学习模型并不完全能够同时利用视觉和上下文信息。所提出的三层基于上下文的深层架构能够显式地将上下文与视觉信息集成。这里的新颖思想是具有视觉层以从基于二进制类的学习器学习视觉特征，上下文层以学习上下文，然后集成层通过基于遗传算法的最优融合从两者学习以产生最终决策。在基准数据集上评估的实验结果是有希望的。进一步的分析表明，优化的网络权重可以提高性能，并作出稳定的预测。
2022-04-13 cs.AI cs.CV cs.LG
Improved Person Re-Identification Based on Saliency and Semantic Parsing with Deep Neural Network Models
Institute of Computing, University of Campinas（坎皮纳斯大学计算研究所）
给定从相机获取的人的视频或图像，人重新识别是从具有非重叠视图的不同相机拍摄的视频或图像中检索同一人的所有实例的过程。该任务在各个领域都有应用，例如监视，取证，机器人，多媒体。在本文中，我们提出了一个新的框架，名为显着性-语义解析重新识别（SSP-ReID），利用这两个线索的能力：显着性和语义解析图，指导骨干卷积神经网络（CNN）学习互补的表示，改善了原始骨干的结果。融合多个线索的洞察力是基于特定的场景，其中一个响应比另一个更好，从而有利于它们的组合以提高性能。由于其定义，我们的框架可以很容易地应用于各种网络，与其他竞争方法相比，我们的训练过程遵循简单和标准的协议。我们提出了广泛的评估我们的方法，通过五个骨干和三个基准。实验结果表明，我们的人重新识别框架的有效性。此外，我们将我们的框架与重新排名技术相结合，在三个基准上实现了最先进的结果。
2018-07-15 cs.CV
Unified Perceptual Parsing for Scene Understanding
Peking University（北京大学）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Bytedance Inc.（字节跳动公司）；Megvii Inc.（旷视科技有限公司）
人类在多个层面上识别视觉世界：我们毫不费力地对场景进行分类并检测内部的物体，同时还识别物体的纹理和表面以及它们的不同组成部分。在本文中，我们研究了一个新的任务，称为统一的感知解析，这需要机器视觉系统识别尽可能多的视觉概念，从一个给定的图像。一个多任务的框架，称为UPerNet和训练策略的开发，从异构图像注释学习。我们基准我们的框架上统一的感知解析，并表明它能够有效地分割广泛的概念，从图像。训练后的网络进一步应用于自然场景中的视觉知识发现。型号可在\url{https://github.com/CSAILVision/unifiedparsing}获得。
2018-07-26 cs.CV
Can Image-Level Labels Replace Pixel-Level Labels for Image Parsing
Renmin University of China（中国人民大学）；Queen Mary University of London（伦敦玛丽女王大学）；Peking University（北京大学）
本文提出了一种弱监督稀疏学习方法的噪声标记的图像解析的问题，或分割的噪声标记的图像中的所有对象，并确定其类别（即标签）。与传统的图像解析，采取像素级标签作为强监督信息不同，我们的噪声标记的图像解析提供了所有图像的噪声标签（即图像级标签），这是一个自然的设置为社会图像收集（例如Flickr）。通过将所有图像过度分割成区域，我们将噪声标记的图像解析制定为所有区域的弱监督稀疏学习问题，其中每个区域的初始标签从图像级标签推断。此外，我们开发了一个有效的算法来解决这种弱监督稀疏学习问题。在两个基准数据集上的实验结果表明了该方法的有效性。更值得注意的是，报告的令人惊讶的结果为回答这个问题提供了一些线索：图像级标签能否取代像素级标签（难以访问）作为图像解析的监督信息。
2014-11-13 cs.CV
Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Tencent（腾讯）；Nankai University（南开大学）；University of Chinese Academy of Sciences（中国科学院大学）；Nanjing University of Science and Technology（南京理工大学）
本文提出数据训练协同框架，通过现实场景合成和文档感知训练提升文档解析的准确性和鲁棒性，构建了Wild-OmniDocBench基准，并在1B参数MLLM中实现了跨扫描/数字和真实世界场景的优异性能。
2026-04-18 cs.CV
PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing
PaddlePaddle Team, Baidu Inc.（百度公司PaddlePaddle团队）
PaddleOCR-VL-1.5通过引入Real5-OmniDocBench基准测试，在文档解析任务中达到94.5%的SOTA准确率，并扩展了密封识别和文本定位任务，同时保持0.9B超紧凑模型的高效性。
2026-04-03 cs.CV
Code as Representation: A Compilable Parsing Paradigm for Academic Documents
Southeast University（东南大学）；Nanyang Technological University（南洋理工大学）；Nanjing University（南京大学）
针对学术PDF难以被机器处理的问题，提出CADP可编译解析范式，构建CADP-Bench基准并测试SOTA MLLMs，发现前沿模型仍难生成高保真可执行重构，该基准已开放供研究。
2026-08-19 cs.CL cs.CV
Holistically-Attracted Wireframe Parsing
Wuhan University（武汉大学）；NC State University（北卡罗来纳州立大学）；University of Oxford（牛津大学）
本文提出了一种快速和简约的解析方法，准确和鲁棒地检测输入图像中的矢量线框与一个单一的向前通过。所提出的方法是端到端可训练的，由三个部分组成：（i）线段和接头提议生成，（ii）线段和接头匹配，以及（iii）线段和接头验证。对于计算线段的建议，提出了一种新的精确的对偶表示，它利用了一个简约的几何reparameterization线段，并形成一个整体的输入图像的4维吸引场地图。在引力场中，结可以看作是“盆”。因此，所提出的方法被称为整体属性线框解析器（HAWP）。在实验中，所提出的方法进行了测试的两个基准，线框数据集，和YorkUrban数据集。在这两个基准测试中，它在准确性和效率方面都获得了最先进的性能。例如，在Wireframe数据集上，与之前最先进的方法L-CNN相比，它大幅提高了具有挑战性的平均结构平均精度（msAP）（$2.8\%$绝对改进），并在单个GPU上实现了29.5 FPS（$89\%$相对改进）。进行了系统的消融研究，以进一步证明所提出的方法。
2020-03-03 cs.CV
RepParser: End-to-End Multiple Human Parsing with Representative Parts
University of Electronic Science and Technology of China（电子科技大学）
现有的多人句法分析方法通常采用两阶段策略（通常为自上而下和自下而上），该策略要么对先前检测有很强的依赖性，要么在后分组过程中存在很高的计算冗余。在这项工作中，我们提出了一个端到端的多人解析框架，使用代表性的部分，称为RepParser。与主流方法不同的是，RepParser以一种新的单阶段方式解决多人句法分析问题，无需进行人员检测或后分组，将句法分析流水线分为实例感知的内核生成和部件感知的人工句法分析，分别负责实例分离和特定实例的部件分割。特别是，我们授权的解析管道的代表性部分，因为他们的特点是实例感知的关键点，可以用来动态解析每个人的实例。具体地说，代表性的部分是通过联合定位中心的实例和身体部位区域的关键点估计。在此基础上，我们通过典型部位动态预测实例感知卷积核，将人-部位上下文编码到每个核中，负责将图像特征转换为实例特定表示。此外，我们采用多分支结构将每个实例特定表示划分为多个部位感知表示，用于单独的部位分割。RepParser则以典型部件为指导，聚焦于人物实例，直接输出每个人物实例的解析结果，从而消除了对在前检测或在后检测的要求。在两个具有挑战性的基准测试上的大量实验表明，我们提出的RepParser是一个简单而有效的框架，并实现了非常有竞争力的性能。
2022-08-27 cs.CV
CycleChart: A Unified Consistency-Based Learning Framework for Bidirectional Chart Understanding and Generation
Zhejiang University（浙江大学）
CycleChart通过实例生命周期设计，实现图表生成与解析的一致性学习，提升跨任务泛化能力。
2026-04-09 cs.CL cs.CV
Affinity-aware Compression and Expansion Network for Human Parsing
Megvii（旷视科技）
作为一个细粒度的分割任务，人类句法分析仍然面临着两个挑战：部分之间的模糊性和部分内的不一致性，由于模糊的定义和混淆的关系之间的相似的人体部位。针对这两个问题，本文提出了一种新的\textit{Affinity-aware Compression and Expansion}网络（ACENet），它主要由两个模块组成：局部压缩模块（LCM）和全局扩展模块（GEM）。具体地说，LCM压缩部件相关信息，通过结构骨架点，从额外的骨架分支。它可以减少零件间的干涉，加强歧义零件之间的结构关系。此外，GEM通过结合空间相似度和边界引导，将各零件的语义信息扩展为一个完整的块，有效地提高了零件内部的语义一致性。ACENet在具有挑战性的LIP和Pascal-Person-Part数据集上实现了最先进的性能。特别是，在LIP基准上实现了58.1%的平均IoU。
2020-08-24 cs.CV
Quality-Aware Network for Human Parsing
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Automation Chinese Academy of Sciences（中国科学院自动化研究所）；Noah’s Ark Lab Huawei Technologies（华为技术有限公司诺亚方舟实验室）
如何评估网络输出的质量是一个重要的问题，目前在人工句法分析领域还没有有效的解决方案。为了解决这一问题，本文提出了一种基于输出概率图的统计方法来计算像素质量信息，称为像素得分。此外，质量感知模块（QAM）被提出来融合不同的质量信息，其目的是评估人类解析结果的质量。我们结合QAM与一个简洁有效的网络设计，提出质量感知网络（QANet）的人类解析。得益于QAM和QANet的优越性，我们在CIHP、MHP-v2、Pascal-Person-Part和LIP三个多人和一个单人句法分析基准测试中获得了最佳性能。在不增加训练和推理时间的情况下，QAM在多人解析任务中将AP $^\text{r}$标准提高了10个点以上。QAM可以扩展到具有良好质量估计的其他任务，例如实例分割。具体来说，QAM在COCO和LVISv1.0数据集上将Mask R-CNN提高了约1% mAP。基于提出的QAM和QANet，我们的整体系统在CVPR 2019 COCO DensePose Challenge中获得第一名，并在CVPR 2020 LIP Challenge的Track 1和2中获得第一名。代码和模型可在https://github.com/soeaver/QANet上获得。
2021-03-10 cs.CV
PVLM: Parsing-Aware Vision Language Model with Dynamic Contrastive Learning for Zero-Shot Deepfake Attribution
Faculty of Computer Science and Technology, Qilu University of Technology (Shandong Academy of Sciences)（计算机科学与技术学院，齐鲁工业大学（山东省科学院））；Shandong University of Science and Technology（山东科技大学）；Shandong Artificial Intelligence Institute, Qilu University of Technology (Shandong Academy of Sciences)（山东省人工智能研究院，齐鲁工业大学（山东省科学院））；School of Electronics and Information Engineering, Harbin Institute of Technology（电子与信息工程学院，哈尔滨工业大学（深圳））；School of Computer Science and Technology, Shandong University（计算机科学与技术学院，山东大学）
本文提出PVLM模型，通过动态对比学习实现对未知高级生成器的细粒度追踪，利用面部解析特征捕捉伪造表示，提升深度伪造属性识别性能。
2026-05-13 cs.CV
CDGNet: Class Distribution Guided Network for Human Parsing
Ajou University（亚洲大学）；Tiangong University（天津工业大学）；Incheon National University（仁川国立大学）
人体分析的目标是将图像中的人体划分为组成部分。该任务涉及根据类别标记人类图像的每个像素。由于人体包括分层结构的部分，因此图像的每个身体部分可以具有其唯一的位置分布特性。很可能，人的头部不太可能在脚下，而手臂更可能靠近躯干。受此启发，我们通过在水平和垂直方向上积累原始人类解析标签来制作实例类分布，这些标签可以用作监督信号。使用这些水平和垂直类别分布标签，引导网络利用每个类别的内在位置分布。我们将两个引导特征结合起来形成一个空间引导图，然后通过乘法和级联将其叠加到基线网络上，以精确区分人体部位。我们进行了广泛的实验，以证明我们的方法的有效性和优越性三个著名的基准：LIP，ATR和CIHP数据库。
2022-03-17 cs.CV
Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting
ByteDance（字节跳动）
针对现有文档图像解析方法的集成开销、效率低等问题，提出遵循先分析后解析范式的Dolphin模型，结合异构锚点提示实现并行解析，在超3000万样本数据集训练下，于多基准取得最优性能且效率更优。
2025-05-20 cs.CV
Addressing Class Imbalance in Scene Graph Parsing by Learning to Contrast and Score
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Preferred Networks Inc.（优选网络公司）
场景图分析的目的是检测图像场景中的对象并识别它们之间的关系。最近的方法在一些流行的基准上取得了很高的平均分数，但在检测罕见的关系时失败了，因为数据的高度长尾分布使学习偏向于频繁的标签。由于检测这些稀有关系在实际应用中至关重要，本文提出了一种新的分类和排序集成框架，以解决场景图解析中的类不平衡问题。具体来说，我们设计了一个新的对比交叉熵损失，通过抑制不正确的频繁关系来促进稀有关系的检测。此外，我们提出了一种新的评分模块，称为评分器，它学习排名的基础上的图像特征和关系特征的关系，以提高召回的预测。我们的框架是简单而有效的，并可以纳入到当前的场景图模型。实验结果表明，该方法改进了当前最先进的方法，具有明显的优势，检测罕见的关系。
2020-10-05 cs.CV
ChemScraper: Leveraging PDF Graphics Instructions for Molecular Diagram Parsing
Rochester Institute of Technology（罗切斯特理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
ChemScraper利用PDF图形指令解析分子图解，无需GPU或OCR，在合成USPTO基准上达98.4%识别率，并用于训练高效的光栅图像识别模型。
2025-02-26 cs.CV
Online Object Tracking, Learning and Parsing with And-Or Graphs
North Carolina State University（北卡罗来纳州立大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种方法，称为AOGTracker，同时跟踪，学习和解析（TLP）的视频序列中的未知对象的层次和组合与或图（AOG）表示。AOG以原则性的方式捕获目标对象的结构和外观变化。TLP方法是制定在贝叶斯框架与空间和时间的动态规划（DP）算法推断对象边界框上的飞行。在在线学习期间，使用潜在SVM有区别地学习AOG以考虑外观（例如，照明和部分遮挡）和结构（例如，不同的姿态和视点）变化，以及干扰物（例如，类似的物体）在背景中。在线推理和学习中的三个关键问题得到了解决：（i）保持在线收集的正面和负面示例的纯度，（ii）控制潜在结构学习中的模型复杂性，以及（iii）识别关键时刻以基于其可插入性重新学习AOG的结构。可插入性基于AOG在帧中的分数图来测量AOG的不确定性。在实验中，我们的AOGTracker在两个流行的跟踪基准测试相同的参数设置：TB-100/50/CVPR 2013基准测试，和VOT基准测试- VOT 2013，2014，2015和TIR 2015（热成像跟踪）。在前者中，我们的AOGTracker优于最先进的跟踪算法，包括基于深度卷积网络的两个跟踪器。在后者中，我们的AOGTracker优于VOT 2013中的所有其他跟踪器，并可与VOT 2014，2015和TIR 2015中的最先进方法相媲美。
2016-09-03 cs.CV cs.LG
Non-parametric spatially constrained local prior for scene parsing on real-world data
School of Engineering and Technology, Central Queensland University（中央昆士兰大学工程与技术学院）
场景解析的目的是识别场景图像中每个像素的对象类别，它在图像内容理解和计算机视觉应用中起着核心作用。然而，从不受约束的真实世界数据中准确地解析场景仍然是一项具有挑战性的任务。在本文中，我们提出了非参数的空间约束局部先验（SCLP）的场景分析的现实数据。对于给定的查询图像，通过首先检索与查询图像最相似的训练图像的子集，然后从检索到的子集收集关于空间图像块之间和相邻超像素之间的对象共现统计的先验信息来学习非参数SCLP。SCLP在捕获查询图像中关于对象间相关性的长距离和短距离上下文方面都是强大的，并且可以有效地与传统的视觉特征相结合以改进分类结果。我们在SIFT Flow和PASCAL-Context基准数据集上的实验表明，与最先进的方法相比，与超像素级视觉特征结合使用的非参数SCLP实现了最佳性能之一。
2020-06-23 cs.CV cs.LG eess.IV
