床上姿态估计：基于浅层数据集的深度学习
计算机视觉与模式识别
2019-06-06 v3
摘要
尽管过去几十年中针对各种计算机视觉（CV）应用的人体姿态估计已被广泛研究，但基于摄像机的视觉方法进行床上姿态估计却被 CV 界所忽视，因为人们认为它与通用姿态估计方法相同。然而，床上姿态估计有其专门的特点，并带来特定挑战，包括一天中光照条件的显著变化，以及与常见人体监控视角不同的姿态分布。在本文中，我们证明这些挑战显著降低了现有通用姿态估计模型的有效性。为解决光照变化挑战，提出了红外选择性（IRS）图像采集技术，以在各种光照条件下提供均匀质量的数据。此外，为处理非传统姿态视角，提出了一种双端方向梯度直方图（HOG）校正方法。在这项工作中，我们探索了采用在大型通用人体姿态公开数据集上预训练的卷积神经网络（CNN）模型，并使用我们自己的浅层床上 IRS 数据集对模型进行微调的思路。我们开发了 IRS 成像系统，并在模拟病房环境中从多个逼真真人尺寸人体模型采集了 IRS 图像数据。通过将名为卷积姿态机（CPM）的预训练 CNN 的特定中间层进行微调，将其重新用于床上姿态估计。使用 HOG 校正方法后，CPM 的姿态估计性能在 PCK0.1 标准下相比未校正的模型显著提升了 26.4%。
引用
@article{arxiv.1711.01005,
title = {In-Bed Pose Estimation: Deep Learning with Shallow Dataset},
author = {Shuangjun Liu and Yu Yin and Sarah Ostadabbas},
journal= {arXiv preprint arXiv:1711.01005},
year = {2019}
}