通过稳定热图回归提升姿态估计的鲁棒性
计算机视觉与模式识别
2021-05-11 v1
摘要
深度学习方法在姿态估计中取得了优异性能,但鲁棒性的缺乏导致相似图像间关键点发生剧烈变化。针对该问题,提出了一种稳定热图回归方法,以缓解网络对小扰动的脆弱性。我们利用热图中不同行与列之间的相关性来缓解多峰问题,并设计了一种高区分度热图回归,使关键点区别于周围点。采用最大稳定性训练损失来简化最小化两幅相似图像预测差距时的优化难度。所提方法在两个基准数据集上相比最先进方法在鲁棒性上取得了显著进展,并保持了高性能。
引用
@article{arxiv.2105.03569,
title = {Improving Robustness for Pose Estimation via Stable Heatmap Regression},
author = {Yumeng Zhang and Li Chen and Yufeng Liu and Xiaoyan Guo and Wen Zheng and Junhai Yong},
journal= {arXiv preprint arXiv:2105.03569},
year = {2021}
}
备注
10 pages, 10 figures