用于人体姿态估计的偏差补偿积分回归
计算机视觉与模式识别
2023-01-26 v1
摘要
在人和手部姿态估计中，热力图是身体或手部关键点的关键中间表示。将热力图解码为最终关节坐标的两种流行方法是通过 argmax（如热力图检测中所做）或通过 softmax 与期望（如积分回归中所做）。积分回归可端到端学习，但精度低于检测。本文揭示了由积分回归中结合 softmax 与期望操作所引起的诱导偏差。该偏差常迫使网络学习退化局部化的热力图，掩盖关键点的真实潜在分布并导致较低精度。在训练方面，通过研究积分回归的梯度，我们表明积分回归更新热力图的隐式引导使其比检测收敛更慢。为应对上述两个局限，我们提出偏差补偿积分回归（BCIR），一种基于积分回归并补偿该偏差的框架。BCIR 还引入高斯先验损失以加速训练并提升预测精度。在人和手部基准上的实验结果表明，BCIR 比原始积分回归训练更快且更精确，使其可与最先进的检测方法竞争。
引用
@article{arxiv.2301.10431,
title = {Bias-Compensated Integral Regression for Human Pose Estimation},
author = {Kerui Gu and Linlin Yang and Michael Bi Mi and Angela Yao},
journal= {arXiv preprint arXiv:2301.10431},
year = {2023}
}