去噪与筛选伪热力图用于半监督人体姿态估计
计算机视觉与模式识别
2023-10-03 v1
摘要
我们提出了一种用于人体姿态估计的新半监督学习设计，重新审视了流行的双学生(dual-student)框架并从两方面对其进行了增强。首先，我们引入了一种去噪方案，以生成可靠的伪热力图(pseudo-heatmaps)作为从无标签数据中学习的监督目标。该方案利用多视图增强与阈值化及细化流程来产生一组伪热力图。其次，我们在估计出的跨学生不确定性指导下，从这些伪热力图中筛选学习目标。我们在 COCO 基准的多种评估设定上对所提方法进行了评估。结果表明，我们的模型优于以往的 SOTA 半监督姿态估计器，尤其在极少量标注数据的情形下。例如，在仅使用 0.5K 张标注图像时，我们的方法能够以 7.22 mAP（+25% 绝对提升）的优势超越最佳竞争对手。我们还证明，我们的模型能够有效利用真实场景中的无标签数据进行学习，从而进一步提升其泛化能力与性能。
引用
@article{arxiv.2310.00099,
title = {Denoising and Selecting Pseudo-Heatmaps for Semi-Supervised Human Pose Estimation},
author = {Zhuoran Yu and Manchen Wang and Yanbei Chen and Paolo Favaro and Davide Modolo},
journal= {arXiv preprint arXiv:2310.00099},
year = {2023}
}