基于隐式2.5D热图回归的手部姿态估计
计算机视觉与模式识别
2018-04-26 v1 机器学习
摘要
估计手部的三维姿态是人机交互的重要组成部分。随着计算机视觉的最新进展，利用深度或多视角传感器估计三维姿态已变得更容易，然而从单张RGB图像回归姿态则远不直接。主要困难在于三维姿态需要某种形式的深度估计，而仅给定RGB图像时深度是模糊的。本文中，我们提出一种通过新颖的2.5D姿态表示从单目图像进行三维手部姿态估计的新方法。我们的新表示估计出除缩放因子外的姿态，若给定手部尺寸的先验则该缩放因子可额外估计。我们用一种新颖的CNN架构隐式地学习深度图和热图分布。在存在严重遮挡的多个具有挑战性的数据集上，我们的系统实现了2D和3D手部姿态的SOTA估计。
引用
@article{arxiv.1804.09534,
title = {Hand Pose Estimation via Latent 2.5D Heatmap Regression},
author = {Umar Iqbal and Pavlo Molchanov and Thomas Breuel and Juergen Gall and Jan Kautz},
journal= {arXiv preprint arXiv:1804.09534},
year = {2018}
}