DRPose3D：基于深度排序的三维人体姿态估计
计算机视觉与模式识别
2018-05-25 v2
摘要
本文提出一种基于两阶段深度排序的方法（DRPose3D）来解决三维人体姿态估计问题。与精确的三维位置相比，深度排序可由人类直观识别，并通过解决分类问题更容易地使用深度神经网络学习。此外，深度排序包含丰富的三维信息，可避免两阶段方法中二维到三维姿态回归的病态问题。在我们的方法中，首先设计成对排序卷积神经网络（PRCNN）从图像中提取人体关节的深度排序；其次，提出由粗到细的三维姿态网络（DPNet），根据深度排序和二维人体关节位置估计三维姿态。此外，为提高模型的泛化能力，引入一种统计方法对深度排序进行增强。我们的方法在 Human3.6M 基准测试的所有三种协议下均优于当前最优（SOTA）方法，表明深度排序是一种可学习以提升三维姿态估计的关键几何特征。
引用
@article{arxiv.1805.08973,
title = {DRPose3D: Depth Ranking in 3D Human Pose Estimation},
author = {Min Wang and Xipeng Chen and Wentao Liu and Chen Qian and Liang Lin and Lizhuang Ma},
journal= {arXiv preprint arXiv:1805.08973},
year = {2018}
}
备注
Accepted by the 27th International Joint Conference on Artificial Intelligence (IJCAI 2018)