用于高效三维手姿估计的动态迭代细化方法
计算机视觉与模式识别
2021-11-15 v1
摘要
尽管手姿估计是大多数交互式扩展现实与手势识别系统的关键组成部分，但现有方法并未针对计算与内存效率进行优化。本文提出一种微型深度神经网络，其中部分层被递归利用以细化其先前的估计。在其迭代细化过程中，我们采用学习到的门控准则来决定是否退出权重共享循环，从而实现模型对每个样本的自适应。我们的网络被训练为感知其当前预测中的不确定性，以便在每次迭代时高效门控，并在每个循环后估计其关键点估计的方差。此外，我们研究了端到端与渐进式训练协议对于我们递归结构在最大化模型容量方面的有效性。在所提设定下，我们的方法在广泛使用的基准测试中，于精度与效率两方面均持续优于最先进的二维/三维手姿估计方法。
引用
@article{arxiv.2111.06500,
title = {Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation},
author = {John Yang and Yash Bhalgat and Simyung Chang and Fatih Porikli and Nojun Kwak},
journal= {arXiv preprint arXiv:2111.06500},
year = {2021}
}