深度运动学姿态回归
计算机视觉与模式识别
2016-09-20 v1
摘要
学习铰接物体姿态本质上是困难的，因为姿态是高维的但具有许多结构约束。现有的大多数工作没有对这些约束进行建模，也不保证其姿态估计的几何有效性，因此如果需要恢复正确的几何结构，就需要进行后处理，这既繁琐又非最优。在这项工作中，我们提出将运动学物体模型直接嵌入到深度神经网络学习中，用于一般铰接物体的姿态估计。运动学函数定义在适当参数化的物体运动变量上。它是可微的，可用于网络训练中基于梯度下降的优化。物体几何模型的先验知识得到了充分利用，并保证了结构的有效性。我们在一个玩具示例和 3D 人体姿态估计问题上展示了令人信服的实验结果。对于后者，我们在 Human3.6M 数据集上取得了 state-of-the-art 的结果。
引用
@article{arxiv.1609.05317,
title = {Deep Kinematic Pose Regression},
author = {Xingyi Zhou and Xiao Sun and Wei Zhang and Shuang Liang and Yichen Wei},
journal= {arXiv preprint arXiv:1609.05317},
year = {2016}
}
备注
ECCV Workshop on Geometry Meets Deep Learning, 2016