HEMlets Pose:学习以部件为中心的热图三元组以实现精确3D人体姿态估计
计算机视觉与模式识别
2019-10-29 v1
摘要
从单张图像估计3D人体姿态是一项具有挑战性的任务。本工作试图通过引入一种中间状态——以部件为中心的热图三元组(HEMlets)来解决将检测到的2D关节提升到3D空间的不确定性,其缩短了2D观测与3D解释之间的差距。HEMlets利用三个关节热图来表示每个骨骼身体部件末端关节的相对深度信息。在我们的方法中,首先训练一个卷积网络(ConvNet)从输入图像预测HEMlets,随后进行体素关节热图回归。我们利用积分操作从体素热图中提取关节位置,保证端到端学习。尽管网络设计简单,定量比较显示相比最佳同级方法(在Human3.6M上提升20%)有显著的性能改进。所提方法天然支持使用“野外”图像进行训练,其中仅有骨骼关节的弱标注相对深度信息可用。正如在室外图像上的定性比较所验证的,这进一步提升了我们模型的泛化能力。
引用
@article{arxiv.1910.12032,
title = {HEMlets Pose: Learning Part-Centric Heatmap Triplets for Accurate 3D Human Pose Estimation},
author = {Kun Zhou and Xiaoguang Han and Nianjuan Jiang and Kui Jia and Jiangbo Lu},
journal= {arXiv preprint arXiv:1910.12032},
year = {2019}
}
备注
10 pages, 6 figures, to be presented at ICCV 2019