DenseReg：野外环境下的全卷积稠密形状回归
计算机视觉与模式识别
2018-03-13 v2
摘要
在这项工作中，我们使用深度学习在 3D 物体模型与“野外”图像之间建立稠密对应。我们引入“DenseReg”，一种全卷积神经网络（F-CNN），它在单次前馈传递中对每个前景像素稠密回归一对 U-V 模板坐标。为训练 DenseReg，我们通过结合 3D 可变形模型拟合与 2D 关键点标注来构造监督信号。我们根据在训练时与图像实例建立对应的 3D 可变形模型的内在 U-V 坐标来定义回归任务。大量其他物体相关任务（例如部件分割、关键点定位）被证明是该任务的副产品，并因其引入而大幅改善。我们通过结合语义分割与回归网络的思想获得高精度回归结果，产生一种“量化回归”架构，它首先通过分类获得位置的量化估计，再通过残差回归进行细化。我们表明此类网络能够提升现有最先进姿态估计系统的性能。首先，我们表明我们的系统可作为统计可变形模型的初始化，以及作为联合定位关键点与估计稠密对应的级联架构的组成部分。我们还表明所获得的稠密对应可作为补充并扩展纯关键点级标注的“特权信息”来源，加速并改进姿态估计网络的训练。我们在具有挑战性的 300W 人脸关键点定位基准以及 MPII 和 LSP 人体姿态估计数据集上报告了最先进的性能。
引用
@article{arxiv.1803.02188,
title = {DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild},
author = {Riza Alp Guler and Yuxiang Zhou and George Trigeorgis and Epameinondas Antonakos and Patrick Snape and Stefanos Zafeiriou and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1803.02188},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1612.01202