用于多人姿态估计的生成式分割网络
计算机视觉与模式识别
2017-11-29 v2
摘要
本文提出了一种新的生成式分割网络（GPN）来解决具有挑战性的多人姿态估计问题。与现有的完全自上而下或自下而上的模型不同，所提出的GPN引入了一种新颖的策略——它从全局关节候选点中为多人产生分割，并同时推断特定实例的关节配置。GPN具有低复杂度和高精度的关节检测与重组的优势。具体而言，GPN设计了一个生成式模型，该模型执行一次前馈传递，以高效地生成带有关节分割的鲁棒人体检测，这依赖于在以人体质心参数化的嵌入空间中对全局关节候选点进行密集回归。此外，GPN将人体姿态关节配置的推理过程形式化为一个图分割问题，并利用可靠的全局亲和线索对每个人体检测进行局部优化，从而降低了复杂度并提升了性能。GPN以Hourglass架构作为骨干网络来实现，以同时学习关节检测器和密集回归器。在MPII Human Pose Multi-Person、扩展的PASCAL-Person-Part和WAF基准数据集上的大量实验表明了GPN的效率，并取得了新的最先进性能。
引用
@article{arxiv.1705.07422,
title = {Generative Partition Networks for Multi-Person Pose Estimation},
author = {Xuecheng Nie and Jiashi Feng and Junliang Xing and Shuicheng Yan},
journal= {arXiv preprint arXiv:1705.07422},
year = {2017}
}