姿态估计与语义分割是计算机视觉中的两大主流任务,人体姿态估计是精确定位人体关节点的位置,而人体解析属于语义分割中的一个子任务,具体任务是对图片中的人物进行像素级识别,进而对人体的每一部分进行分类。近年来随着深度学习技术的飞速发展,这两项任务也越来越受人们关注,并广泛应用在我们生活中的诸多领域,例如行人重识别、视频监控等等。虽然是从不同的角度分析人体,但是这两个任务却是高度相关、相互协助促进的,一方面细粒度的语义信息可以更好地促进关键点的定位,另一方面精确定位的关键点又可以反过来帮助语义信息更好地分类。挤压与激励(SE)模块近年来在深度学习中被广泛应用。本文提出了改进的SE模块与新的提纯模块来促进姿态估计与人体解析的联合学习方法。其中第一种改进的SE模块采用行人重识别方法任务中的拼接SE模块,该SE模块和传统的SE模块不同之处在于将两个输入特征经过全局池化后拼接在一起,能够充分地融合两者的特征信息;第二种改进的SE模块是将传统SE模块的加权参数交换,在我们的任务中将姿态估计部分所学的的权重赋予人体解析部分,反之将人体解析部分的权重赋予姿态估计部分,使得二者任务互相促进,从而提高精度;最后我们将MULA中的自适应模块换用空洞卷积形式,从而感知更多的图像信息。