用于高效视频特定人体姿态估计的主动迁移学习
计算机视觉与模式识别
2023-11-10 v1 机器学习
摘要
人体姿态（HP）估计因其广泛应用而被积极研究。然而，即使在大型数据集上预训练的估计器也可能因训练与测试数据间的域差距而表现不尽如人意。为解决此问题，我们提出结合主动学习（AL）与迁移学习（TL）的方法，以高效地将 HP 估计器适配到各个视频域。为高效学习，我们的方法量化了 (i) 基于估计热图时间变化的估计不确定性，以及 (ii) 估计全身 HP 中的不自然性。这些量化准则随后与最先进的代表性准则有效结合，以选择不确定且多样的样本用于高效 HP 估计器学习。此外，我们重新审视现有主动迁移学习（ATL）方法，引入有关重训练方法与停止准则（SC）的新思路。实验结果表明，我们的方法提升了学习效率并优于对比方法。我们的代码公开于：https://github.com/ImIntheMiddle/VATL4Pose-WACV2024
引用
@article{arxiv.2311.05041,
title = {Active Transfer Learning for Efficient Video-Specific Human Pose Estimation},
author = {Hiromu Taketsugu and Norimichi Ukita},
journal= {arXiv preprint arXiv:2311.05041},
year = {2023}
}
备注
17 pages, 12 figures, Accepted by WACV 2024