基于双教师网络的极低照明条件下2D人体姿态估计的域适应方法

现有的2D人体姿态估计研究主要集中在光照良好的场景，极少探索恶劣照明条件，这是日常生活中普遍存在的方面。最近的低光照姿态估计研究需要使用带有地面真值的配对良好光照和低光照图像进行训练，由于低光照图像注释的固有难题，这在实际中不可行。为此，我们提出了一种无需低光照地面真值的方法。我们的主要创新点在于利用两个互补的教师网络生成更可靠的伪标签，使我们的模型能够在无需使用低光照地面真值的情况下，在极端低光照图像上实现竞争性能。我们的框架包含两个阶段。在第一个阶段，我们的模型在良好光照数据上进行训练，并加入低光照增强。在第二个阶段，我们提出了双教师框架来利用未标记的低光照数据，其中一个以中心为基础的主教师为相对可见的情况生成伪标签，而一个以关键点为基础的互补教师专注于为主教师遗漏的人员生成伪标签。有了来自两个教师的伪标签，我们提出了针对学生模型训练的人员特定低光照增强，以挑战学生模型超过教师。实验结果表明，在真实低光照数据集(ExLPose-OCN)上，我们的方法在不使用低光照地面真值的情况下，以较SOTA方法相比取得6.8%(2.4 AP)的改进。我们的代码将在https://github.com/ayh015-dev/DA-LLPose上提供。