基于矩阵补全框架下高斯过程回归的头颈部与身体姿态时间插值改进
计算机视觉与模式识别
2018-08-07 v1
摘要
本文提出了一种在标注样本高度稀疏情况下的头部与身体姿态估计（HBPE）模型。当前最先进的多模态HBPE方法利用转导设置下的矩阵补全方法预测未观测样本的姿态标签。基于该方法，所提方法解决了人工标注真值标签在时间上稀疏时的HBPE问题。我们假定当前最先进方法通过使用拉普拉斯平滑过度简化了时间稀疏性假设。我们的最终方案使用：i）以高斯过程回归替代拉普拉斯平滑，ii）头部与身体耦合，以及iii）矩阵补全框架下的核范数最小化。该模型应用于具有挑战性的SALSA数据集，以对标最先进方法。我们所提公式在此特定设置下显著优于最先进方法，例如在以5%真值标签作为训练数据时，头部姿态精度与身体姿态精度分别约为62%和70%。除了对时间上缺失标签拟合更灵活的模型外，我们假定我们的方法也放宽了头部与身体耦合约束，从而允许对群体中会话交互时典型的头部与身体姿态建立更具表现力的模型。这为未来集成多模态传感器数据以用于HBPE提供了新的基线。
引用
@article{arxiv.1808.01837,
title = {Improving Temporal Interpolation of Head and Body Pose using Gaussian Process Regression in a Matrix Completion Setting},
author = {Stephanie Tan and Hayley Hung},
journal= {arXiv preprint arXiv:1808.01837},
year = {2018}
}