基于卷积部件热图回归的人体姿态估计
计算机视觉与模式识别
2018-08-28 v1
摘要
本文研究使用卷积神经网络进行人体姿态估计。我们的主要贡献是一种 CNN 级联架构，专门设计用于学习部件关系和空间上下文，即使在严重部件遮挡的情况下也能稳健地推断姿态。为此，我们提出了一种先检测后回归的 CNN 级联。我们级联的第一部分输出部件检测热图，第二部分在这些热图上进行回归。所提架构的优势是多方面的：它引导网络关注图像中的何处，并有效地编码部件约束和上下文。更重要的是，它能有效地处理遮挡，因为被遮挡部件的部件检测热图提供低置信度分数，随后引导我们网络的回归部分依赖上下文信息来预测这些部件的位置。此外，我们表明所提出的级联足够灵活，可以轻松允许在检测和回归中集成各种 CNN 架构，包括近期基于残差学习的架构。最后，我们说明我们的级联在 MPII 和 LSP 数据集上取得了顶尖性能。代码可从 http://www.cs.nott.ac.uk/~psxab5/ 下载。
引用
@article{arxiv.1609.01743,
title = {Human pose estimation via Convolutional Part Heatmap Regression},
author = {Adrian Bulat and Georgios Tzimiropoulos},
journal= {arXiv preprint arXiv:1609.01743},
year = {2018}
}
备注
accepted to ECCV 2016