FuRPE：从局部专家学习全身重建
计算机视觉与模式识别
2024-01-04 v2
摘要
在全身重建领域，标注数据的稀缺常制约主流方法的效果。为解决此问题，我们提出FuRPE，一种新颖框架，采用局部专家与巧妙的伪真值选择方案来生成高质量伪标签。这些标签作为我们方法的核心，使网络具备从可用数据高效学习的能力。FuRPE的核心在于独特的指数移动平均训练策略与专家派生特征蒸馏策略。这些新颖要素不仅进一步精炼模型，也减少了伪标签不准确性可能引发的偏差，从而优化网络训练过程并增强模型鲁棒性。我们应用FuRPE训练了两阶段与全卷积单阶段全身重建网络。在众多基准数据集上的详尽实验表明，相较现有方法性能大幅提升，凸显了FuRPE重塑全身重建最先进水平的潜力。
引用
@article{arxiv.2212.00731,
title = {FuRPE: Learning Full-body Reconstruction from Part Experts},
author = {Zhaoxin Fan and Yuqing Pan and Hao Xu and Zhenbo Song and Zhicheng Wang and Kejian Wu and Hongyan Liu and Jun He},
journal= {arXiv preprint arXiv:2212.00731},
year = {2024}
}