DensePose：野外场景下的稠密人体姿态估计
计算机视觉与模式识别
2018-02-02 v1
摘要
在这项工作中，我们建立 RGB 图像与人体基于表面的表示之间的稠密对应，我们将此任务称为稠密人体姿态估计。我们首先通过引入高效的标注流程，为 COCO 数据集中出现的 50K 个人收集稠密对应。然后我们使用我们的数据集训练基于 CNN 的系统，以在“野外”（即存在背景、遮挡和尺度变化的情况下）提供稠密对应。我们通过训练一个能够填补缺失真值的“修复”网络来提高训练集的有效性，并报告了相对于过去可达到的最佳结果的明显改进。我们尝试了全卷积网络和基于区域的模型，并观察到后者更优；我们通过级联进一步提高了准确性，获得了一个实时提供高度准确结果的系统。补充材料和视频在项目页面 http://densepose.org 上提供。
引用
@article{arxiv.1802.00434,
title = {DensePose: Dense Human Pose Estimation In The Wild},
author = {Rıza Alp Güler and Natalia Neverova and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1802.00434},
year = {2018}
}