人体目标解析旨在获取图像中人体目标的精细化属性描述信息,包括年龄、性别、穿着服饰、携带物等能够验证人体目标身份的重要特征依据。人体目标解析工作不仅能够广泛应用于安防体系中,在海量图像视频数据中高效提取有效信息,进行身份验证和检索搜查工作,并且对于行人重识别等众多其他领域也有着重要促进作用。自然场景下的人体属性解析任务中,人体目标检测框的定位不准确性可能会对后续属性识别产生背景干扰或主要特征信息丢失等问题,影响最终属性识别的准确度;并且属性识别本身也存在着属性类别繁多、样本分布不均、属性标签之间存在复杂相关性等现象,这些问题既是困难也是切入点。因此,本文结合人体目标检测,针对自然场景下人体属性解析任务展开了一系列研究工作,具体主要工作如下:1.面向人体属性识别的目标检测方法。首先基于目标定位准确性对人体属性识别的重要性,对影响目标定位准确性的因素进行了深入分析,考虑到传统边界框回归的局限性,引入了基于自注意力与桶机制的人体目标检测方法,并对NMS方法进行改进,将定位准确度的度量引入softNMS中,然后引入balanced L1 Loss作为回归损失来强调精确样本的贡献以及对精定位任务的关注,构建了新的多任务学习损失函数,从而实现对人体目标的精准定位,为后续人体属性识别任务奠定基础。2.基于注意力机制和分组卷积的人体属性识别方法。首先从提高神经网络模型本身的表达能力和特征提取能力出发,引入了分组注意力模块,将其嵌入到现有网络结构中,进而提升人体属性识别效果;然后考虑到人体属性识别数据集中严重的正负样本以及难易样本分布不均问题,使用一种不对称的多标签损失函数保留正样本的贡献和对易分负样本进行抑制。3.基于图卷积的人体属性识别方法。首先分析了基于多标签学习的人体属性识别问题,考虑到多属性之间存在的复杂依赖关系,增加了图卷积模块来挖掘捕获人体属性标签之间的相关性,构建了基于图卷积网络的多属性识别网络。