计算机视觉（CV）模型偏差消除方法的研究进展

搜索

DOI: 10.12361/2661-4995-07-04-171932

全文直达

引用

打印

摘要：近年来，随着计算机视觉（CV）技术的快速发展，语义分割在自动驾驶、安防监控、虚拟试衣等实际场景中展现出广泛应用潜力，特别是人体解析任务在细粒度理解中扮演着关键角色。然而，当前主流预训练模型在处理复杂人体姿态、多样外观特征及遮挡等问题时，仍面临显著的偏差挑战，这些偏差严重影响了模型在公平性、鲁棒性与泛化能力方面的实际表现。传统的人体解析偏差缓解方法主要依赖数据增强、类别重加权、边界优化等手段，虽在一定程度上提升了模型性能，但难以彻底克服因数据不平衡、属性敏感性等因素导致的系统性误差。本文聚焦于语义分割中人体解析任务的偏差消除研究进展，系统梳理了近年来从数据构建、模型设计到训练机制等层面提出的多种缓解策略。文中还详细分析了在遮挡场景、边界处理和小样本泛化等方面的关键技术与挑战，旨在为后续构建更稳健、公平的人体解析模型提供理论参考与方法支持。

关键词：

语义分割；人体解析；多尺度模型；CV 模型平衡性

Universe Scientific Publishing

ISSN：2661-4987

年,卷(期)：2025,7(4)