用于姿态估计的保守 Wasserstein 训练

本文针对深度学习背景下具有离散且周期性类标签（$e.g.,$ 姿态/方向估计）的任务。常用的交叉熵或回归损失与这一问题不太匹配，因为它们忽略了标签的周期性与类相似性，或假设标签为连续值。我们提出在 Wasserstein 训练框架中通过预定义（$i.e.,$ 使用圆的弧长）或自适应学习地面度量来引入类间相关性。从优化视角出发，我们将地面度量扩展为关于弧长的线性、凸或凹增函数。我们还提出构建保守目标标签，其使用包裹单峰-均匀混合分布对内点与离群点噪声建模。与 one-hot 设定不同，保守标签使 Wasserstein 距离的计算更具挑战性。我们系统地给出了具有 one-hot 或保守目标标签的姿态数据之 Wasserstein 距离的实用闭式解。我们在头部、身体、车辆和 3D 物体姿态基准上进行了评估并辅以详尽的消融研究。Wasserstein 损失取得了优于当前方法的性能，尤其是在使用凸映射函数作为地面度量、保守标签以及闭式解时。