基于对抗学习的自然环境 3D 人体姿态估计
计算机视觉与模式识别
2018-04-17 v2
摘要
近年来，由于强大的深度卷积神经网络（DCNN），从单目图像进行 3D 人体姿态估计取得了显著进展。尽管它们在受控实验室环境下收集的大规模数据集上取得了成功，但很难获得自然环境图像的 3D 姿态标注。因此，自然环境下的 3D 人体姿态估计仍然是一个挑战。在本文中，我们提出了一种对抗学习框架，将完全标注数据集中学习到的 3D 人体姿态结构蒸馏到仅有 2D 姿态标注的自然环境图像中。我们没有定义硬编码规则来约束姿态估计结果，而是设计了一种新颖的多源判别器来区分预测的 3D 姿态与真值，这有助于促使姿态估计器即使在自然环境图像下也能生成符合人体测量学的有效姿态。我们还观察到，为判别器精心设计的信息源对于提升性能至关重要。因此，我们设计了一种几何描述子，它计算身体关节之间的成对相对位置和距离，作为判别器的新信息源。通过在广泛使用的公开基准上进行的大量实验，证明了我们带有新几何描述子的对抗学习框架的有效性。与之前的 SOTA 方法相比，我们的方法显著提升了性能。
引用
@article{arxiv.1803.09722,
title = {3D Human Pose Estimation in the Wild by Adversarial Learning},
author = {Wei Yang and Wanli Ouyang and Xiaolong Wang and Jimmy Ren and Hongsheng Li and Xiaogang Wang},
journal= {arXiv preprint arXiv:1803.09722},
year = {2018}
}
备注
CVPR 2018