利用偏移引导网络进行姿态估计与跟踪
计算机视觉与模式识别
2019-06-05 v1
摘要
得益于深度学习的发展，人体姿态估计取得了显著进展。近期的人体姿态估计方法倾向于直接预测位置热图，这会导致量化误差并不可避免地在缩减的网络输出中降低性能。为解决此问题，我们重新审视热图-偏移聚合方法，并提出偏移引导网络（OGN），其具有一种直观而有效的融合策略，适用于两阶段姿态估计和 Mask R-CNN。对于两阶段姿态估计，还提出了一种贪心框生成策略，以在执行人体检测时保留更多必要候选。对于 Mask R-CNN，采用比例一致性来提高网络的泛化能力。在 COCO 和 PoseTrack 数据集上的最先进结果验证了我们偏移引导姿态估计与跟踪的有效性。
引用
@article{arxiv.1906.01344,
title = {Exploiting Offset-guided Network for Pose Estimation and Tracking},
author = {Rui Zhang and Zheng Zhu and Peng Li and Rui Wu and Chaoxu Guo and Guan Huang and Hailun Xia},
journal= {arXiv preprint arXiv:1906.01344},
year = {2019}
}
备注
To appear in CVPR-2019 VUHCS Workshop