AID：以信息丢弃增强推动人体姿态估计性能边界
计算机视觉与模式识别
2020-11-18 v2
摘要
外观线索与约束线索对于人体姿态估计都至关重要。然而，现有多数工作往往倾向于过拟合前者而忽视后者。本文提出信息丢弃增强（Augmentation by Information Dropping, AID）来验证并解决这一困境。以 AID 作为有效挖掘其潜力的前提，我们提出了定制化的训练调度方案，这些方案通过分析训练过程中从信息供给视角出发的损失与性能模式而设计。在实验中，作为一种模型无关的方法，AID 在自下而上与自上而下两种范式下，针对不同输入尺寸、框架、骨干网络以及训练与测试集，提升了多种 SOTA 方法的性能。在流行的 COCO 人体姿态估计测试集上，AID 在自上而下范式中持续为不同配置带来约 0.6 AP 的提升，在自下而上范式中提升高达 1.5 AP。在更具挑战性的 CrowdPose 数据集上，提升超过 1.5 AP。由于 AID 以可观的幅度成功推动了人体姿态估计问题的性能边界并刷新了 SOTA，我们希望 AID 成为训练人体姿态估计器的常规配置。源代码将公开以供进一步研究。
引用
@article{arxiv.2008.07139,
title = {AID: Pushing the Performance Boundary of Human Pose Estimation with Information Dropping Augmentation},
author = {Junjie Huang and Zheng Zhu and Guan Huang and Dalong Du},
journal= {arXiv preprint arXiv:2008.07139},
year = {2020}
}