FlexPose：基于有限指导的姿态分布自适应

迄今为止，已有大量标注良好的人体关键点数据集公开可用。然而，为新采集的图像标注人体姿态仍然是一个昂贵且耗时的过程。来自不同数据集的姿态分布共享相似的姿态铰链结构先验，但具有不同的几何变换，如枢轴方向、关节旋转和骨骼长度比。姿态分布之间的差异本质上是变换分布之间的差异。受此事实启发，我们提出了一种方法，用于将已经学习了姿态先验的预训练姿态生成器校准为遵循新姿态分布的自适应生成器。我们将人体姿态关节坐标的表示视为骨架图像，并仅通过少量标注指导来迁移预训练的姿态标注生成器。通过微调与姿态变换密切相关的少量线性层，自适应生成器能够生成任意数量且与目标姿态相似的姿态标注。我们在多种跨数据集设置下对我们提出的方法 FlexPose 进行了定性和定量评估，结果表明，在给定有限标注指导时，与现有的基于生成模型的迁移学习方法相比，我们的方法实现了 SOTA 性能。