链式表示循环：通过在表示间循环学习估计三维人体姿态与形状
计算机视觉与模式识别
2020-01-07 v1 机器学习
摘要
许多计算机视觉系统的目标是将图像像素转换为三维表示。近期流行的模型使用神经网络直接从像素回归到三维物体参数。当有监督可用时这种方法效果良好，但在如人体姿态与形状估计等问题中，难以获取带三维真值的自然图像。为进一步推进，我们提出一种新架构，便于无监督或轻量监督学习。其思想是将问题分解为一系列在逐渐抽象的表示之间的转换。每一步涉及一个设计为无需标注训练数据即可学习的循环，而循环链给出最终解。具体而言，我们使用二维身体部位分割作为中间表示，其包含足够信息可提升为三维，同时又简单到可以无监督方式学习。我们通过从非配对且无标注的图像学习三维人体姿态与形状来演示该方法。我们还探索了不同数量的配对数据，并表明循环极大缓解了对于配对数据的需求。虽然我们给出的是对人体建模的结果，我们的公式具有通用性，可应用于其他视觉问题。
引用
@article{arxiv.2001.01613,
title = {Chained Representation Cycling: Learning to Estimate 3D Human Pose and Shape by Cycling Between Representations},
author = {Nadine Rueegg and Christoph Lassner and Michael J. Black and Konrad Schindler},
journal= {arXiv preprint arXiv:2001.01613},
year = {2020}
}
备注
To be published in proceedings of Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-20)