Look into Person: Self-supervised Structure-sensitive Learning and A New Benchmark for Human Parsing

0.Abstract ：

说明本篇文章的主要工作 ： 一是提出了一个用于人体解析的大数据集 Look into Person (LIP)， 这个数据集相比之前的数据集更大，覆盖情景更多，更复杂，作者还在这个数据集上详细分析了之前的各种人体解析方法的优劣 。二是提出了一种 self-supervised structure-sensitive approaches 去结合 high-level 的人体关节特征去改进人体解析方法，达到了 state-of-the-art.

1.Introduction :

介绍了目前人体解析任务以及现状。
提出了存在的问题 ：

1. 没有大规模数据集，并且当前数据集过于简单且没有评价机制来防止潜在的过拟合，导致目前的 CNN 不能达到一个好的效果。
2. 缺乏 high-level 的监督去捕捉人体结构的信息，比如人体姿态 （身体的节点）。

写出了本文的贡献：

1. 建立了一个大的用于人体解析的数据集，它有 50462 张带标记的图片，分为20类 ，19类人体部件标签，1类背景，其中有 30462 张图片作为训练集，10000 张图片作为验证集ÿ