A2J：基于锚点至关节回归网络从单张深度图估计三维关节姿态
计算机视觉与模式识别
2019-08-28 v1
摘要
针对深度图像中的三维手部和身体姿态估计任务，提出了一种称为锚点至关节回归网络（A2J）的基于锚点的新颖方法，其具有端到端学习能力。在 A2J 中，能够在深度图像上密集设置的锚点可捕获全局-局部空间上下文信息，作为关节的局部回归器。它们以集成方式预测关节位置，从而增强泛化能力。所提出的三维关节姿态估计范式不同于基于编码器-解码器的最先进 FCN、3D CNN 以及基于点集的方法。为发现针对特定关节的信息量丰富的锚点，A2J 还提出了锚点提议过程。同时，使用 2D CNN（即 ResNet-50）作为骨干网络来驱动 A2J，而未使用时延较高的 3D 卷积或反卷积层。在 3 个手部数据集和 2 个身体数据集上的实验验证了 A2J 的优越性。此外，A2J 在单块 NVIDIA 1080Ti GPU 上运行速度高达约 100 FPS。
引用
@article{arxiv.1908.09999,
title = {A2J: Anchor-to-Joint Regression Network for 3D Articulated Pose Estimation from a Single Depth Image},
author = {Fu Xiong and Boshen Zhang and Yang Xiao and Zhiguo Cao and Taidong Yu and Joey Tianyi Zhou and Junsong Yuan},
journal= {arXiv preprint arXiv:1908.09999},
year = {2019}
}
备注
Accepted by ICCV2019