超越物理连接：人体姿态估计中的树模型
计算机视觉与模式识别
2013-05-13 v1
摘要
简单的关节物体树模型在过去十年中占据主导地位。然而，人们也认为这些简单的树模型无法捕捉许多场景（如人体姿态估计）中的巨大变化。本文试图解决三个问题：1) 简单的树模型是否足够？更具体地说，2) 如何在人体姿态估计中有效使用树模型？以及 3) 如何高效地联合使用组合部件与单一部件？假设我们有一组单一部件和组合部件，目标是估计它们位置的联合分布。我们惊讶地发现，在学习用于可变形模型的潜在树以利用最小树结构近似身体部件位置的联合分布时，Leeds Sport Dataset (LSP) 中并未引入潜在变量。这表明可以直接使用单一部件和组合部件的混合表示，在简单树模型中近似其联合分布。因此，只需构建组合部件的视觉类别，然后在学到的潜在树上执行推断即可。我们的方法在 LSP 上超越了最先进水平 (SOTA)，无论是在训练图像来自同一数据集还是来自 PARSE 数据集的场景中。对 VOC 挑战赛中动物图像的实验进一步支持了我们的发现。
引用
@article{arxiv.1305.2269,
title = {Beyond Physical Connections: Tree Models in Human Pose Estimation},
author = {Fang Wang and Yi Li},
journal= {arXiv preprint arXiv:1305.2269},
year = {2013}
}
备注
CVPR 2013