摘要

以人类为中心的感知任务（例如姿态估计、人体解析、行人检测、人员重识别等）在视觉模型的工业应用中发挥着关键作用。尽管特定的以人类为中心的任务各有其相关的语义方面需要关注，但它们也共享了相同的人体底层语义结构。然而，很少有研究尝试利用这种同质性并设计一个适用于多种以人类为中心任务的通用模型。在这项工作中，我们重新审视了一大类以人类为中心的任务，并以最简化的方式将其统一起来。我们提出了UniHCP，即一种用于以人类为中心感知任务的统一模型，该模型通过简单的视觉变换器架构实现了多种以人类为中心任务的简化端到端统一。通过对33个大规模以人类为中心的数据集进行联合训练，UniHCP能够在多个领域内和下游任务上直接评估时超越强大的基线模型。当适应于特定任务时，UniHCP在广泛的以人类为中心的任务上取得了新的最佳性能（SOTA），例如在CIHP数据集上的人体解析任务中达到了69.8 mIoU，在PA-100K数据集上的属性预测任务中达到了86.18 mA，在Market1501数据集上的人员重识别任务中达到了90.3 mAP，在CrowdHuman数据集上的行人检测任务中达到了85.8 JI，表现优于为每个任务专门设计的模型。