基于生成先验的高效域适应方法用于3D婴儿姿态估计
计算机视觉与模式识别
2023-11-22 v1 人工智能
摘要
尽管3D人体姿态估计近年来取得令人瞩目的进展，但仅有少数工作关注婴儿，其具有不同骨长且数据有限。直接应用成人姿态估计模型在婴儿域通常性能较低，并受分布外问题困扰。此外，婴儿姿态数据收集的局限性也严重制约了基于学习的模型将2D姿态提升为3D的效率。为应对小数据集问题，域适应与数据增强是常用技术。遵循该范式，我们利用一种基于优化的方法，其使用生成先验从2D关键点预测3D婴儿关键点，无需大量训练数据。我们进一步应用引导扩散模型将3D成人姿态域适应至婴儿姿态，以补充小数据集。此外，我们还证明所提方法ZeDO-i即便仅给定少量数据，也能实现高效域适应。在定量上，我们宣称模型在SyRIP数据集上达到43.6 mm的SOTA MPJPE性能，在MINI-RGBD数据集上达到21.2 mm。
引用
@article{arxiv.2311.12043,
title = {Efficient Domain Adaptation via Generative Prior for 3D Infant Pose Estimation},
author = {Zhuoran Zhou and Zhongyu Jiang and Wenhao Chai and Cheng-Yen Yang and Lei Li and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:2311.12043},
year = {2023}
}
备注
WACVW 2024