用于三维姿态估计的特征增强网络
计算机视觉与模式识别
2019-05-16 v2
摘要
本文提出一种特征增强网络，用于从单张 RGB 图像估计三维手部姿态和三维身体姿态。在该方法中，卷积层学习的特征通过一种新的长短期依赖感知（LSTD）模块进行增强，该模块利用设计的图卷积 LSTM 使中间卷积特征图感知不同手（或身体）部位之间的图结构长短期依赖。由于三维姿态估计实际应用中的模糊性、纹理与光照变化以及自遮挡，学习一组可靠且具判别性地代表手（或身体）部位姿态的特征是困难的。为提高表征各身体部位特征的可靠性并增强 LSTD 模块，本文进一步引入上下文一致性门（CCG），据此根据卷积特征图与上下文表示的一致性对其调制。我们在具有挑战性的三维手部姿态估计和三维全身姿态估计基准数据集上评估了所提方法。实验结果表明了我们的方法的有效性，其在两项任务上均达到了 SOTA 性能。
引用
@article{arxiv.1901.04877,
title = {Feature Boosting Network For 3D Pose Estimation},
author = {Jun Liu and Henghui Ding and Amir Shahroudy and Ling-Yu Duan and Xudong Jiang and Gang Wang and Alex C. Kot},
journal= {arXiv preprint arXiv:1901.04877},
year = {2019}
}
备注
Accepted to T-PAMI. DOI: 10.1109/TPAMI.2019.2894422