Landmark guided face Parsing Dataset (LaPa)是京东人工智能发布的数据集，可用于人脸关键点检测(106个点)和人脸解析(11个类别，包含了背景类)。

数据集地址：JDAI-CV/lapa-dataset

论文地址：https://aaai.org/ojs/index.php/AAAI/article/view/6832

简介：数据集一共有22176张彩色图像，以及对应的标签图像和关键点信息文件，其中训练集有18176张图像，占比82%；验证集有2000张图像，占比9%；测试集有2000张图像，占比9%。可视化结果，如题图所示。

对应论文提出了一种人脸解析方法，在网络结构和损失函数两个方面，充分利用边界信息（boundary information）。语义分割近一两年发展缓慢，其中有很多工作基于边界信息提升分割，比如SegFix。这篇论文的方法Boundary-attention semantic segmentation(BASS)属于这个角度，其流程如图1所示，看样子跟英伟达的一篇文章相像呢。

BASS包含3个分支，1) 语义分支semantic branch完成多类别分割，论文使用了ResNet-101，在第5个残差模块后面使用膨胀卷积dilation convolution以减少分辨率信息丢失，还使用了金字塔空间池化pyramid spatial pooling以捕获全局纹理信息；2) 边界感知分支boundary-aware branch完成边界检测；3) 边界注意力语义分支boundary-attention semantic branch融合上述两个网络的特征，融合方法具体就是相加plus(p)，相乘multiplication(m)和级联concatenation(c)(the best way)，如图2所示。好奇图2为什么还有Val.这一行性能。

损失函数就是3个分支的加权和了。在第3个分支中，损失函数多乘了个加权系数

，alpha为0就是原来的，alpha大于1就是放大损失（这有用么。。。类似于U-Net里面的边界损失加权图了）。

在Helen数据集上，与其他方法进行对比，取得了很高的F1-score，如图3所示。