AdaptPose：通过可学习运动生成实现三维人体姿态估计的跨数据集自适应
计算机视觉与模式识别
2022-03-17 v2
摘要
本文解决三维人体姿态估计模型的跨数据集泛化问题。将预训练的三维姿态估计器在新数据集上测试会导致性能大幅下降。先前方法主要通过提升训练数据多样性来解决该问题。我们认为仅多样性并不充分，训练数据的特征需适配新数据集的特征，如相机视角、位置、人体动作与体型。为此，我们提出 AdaptPose，一种端到端框架，从源数据集生成合成三维人体运动并用以微调三维姿态估计器。AdaptPose 采用对抗训练方案。生成器从源三维姿态生成三维姿态序列与相机朝向，并将生成姿态投影至新视角。无需任何三维标签或相机信息，AdaptPose 仅通过二维姿态训练便成功学习从目标数据集创建合成三维姿态。在 Human3.6M、MPI-INF-3DHP、3DPW 与 Ski-Pose 数据集上的实验中，我们的方法在跨数据集评测中超越先前工作 14%，并超越使用部分三维标注的先前半监督学习方法 16%。
引用
@article{arxiv.2112.11593,
title = {AdaptPose: Cross-Dataset Adaptation for 3D Human Pose Estimation by Learnable Motion Generation},
author = {Mohsen Gholami and Bastian Wandt and Helge Rhodin and Rabab Ward and Z. Jane Wang},
journal= {arXiv preprint arXiv:2112.11593},
year = {2022}
}