基于深度卷积神经网络的伯努利热图用于头部姿态估计
计算机视觉与模式识别
2020-05-26 v1 多媒体
摘要
头部姿态估计是许多任务的关键问题，例如驾驶员注意力检测、疲劳检测和人类行为分析。众所周知，神经网络处理分类问题优于回归问题。让网络直接输出角度值进行优化学习是一个高度非线性的过程，并且损失函数的权重约束会相对较弱。本文提出了一种新颖的伯努利热图，用于从单张 RGB 图像进行头部姿态估计。我们的方法可以在估计头部角度的同时实现头部区域的定位。伯努利热图使得构建无全连接层的全卷积神经网络成为可能，并为头部姿态估计的输出形式提供了新思路。我们采用具有多尺度表示的深度卷积神经网络（CNN）结构，以并行方式保持高分辨率信息和低分辨率信息。这种结构可以维持丰富的高分辨率表示。此外，采用逐通道融合使融合权重可学习，而不是简单的等权重相加。因此，估计在空间上更精确，并可能更准确。通过在公开数据集上与其他最先进方法的比较，实证证明了所提方法的有效性。
引用
@article{arxiv.2005.11780,
title = {Deep Convolutional Neural Network-based Bernoulli Heatmap for Head Pose Estimation},
author = {Zhongxu Hu and Yang Xing and Chen Lv and Peng Hang and Jie Liu},
journal= {arXiv preprint arXiv:2005.11780},
year = {2020}
}