自监督学习如何用于细粒度头部姿态估计？
计算机视觉与模式识别
2022-08-02 v6 机器学习
摘要
头部姿态标注的成本是改进细粒度头部姿态估计（HPE）的主要挑战。尽管自监督学习（SSL）可解决缺乏大量标注数据的问题，但其在细粒度 HPE 中的功效尚未被充分探索。本研究旨在基于两种场景评估 SSL 在细粒度 HPE 中的使用：（1）将 SSL 用于权重预训练过程；（2）除 HPE 外利用辅助 SSL 损失。我们设计了基于 ResNet50 骨干网的混合多任务学习（HMTL）架构，其中应用了两种策略。实验结果表明，两种场景的结合对 HPE 最佳。与基线相比，AFLW2000 的平均错误率降低达 23.1%，BIWI 基准降低 14.2%。此外，发现某些 SSL 方法更适于迁移学习，而另一些在作为融入监督学习的辅助任务时可能有效。最后表明，通过使用所提 HMTL 架构，平均错误率在不同类型初始权重下均降低：随机、ImageNet 与 SSL 预训练权重。
引用
@article{arxiv.2108.04893,
title = {How Self-Supervised Learning Can be Used for Fine-Grained Head Pose Estimation?},
author = {Mahdi Pourmirzaei and Farzaneh Esmaili and Ebrahim Mousavi and Sasan Karamizadeh and Seyedehsamaneh Shojaeilangari},
journal= {arXiv preprint arXiv:2108.04893},
year = {2022}
}