基于 RBF k-DPP 的动物姿态估计增量学习
计算机视觉与模式识别
2021-10-27 v1
摘要
姿态估计是在图像中定位感兴趣对象关键点的任务。由于动物类间与类内高度的可变性，动物姿态估计比人体姿态估计更具挑战性。现有工作针对一组固定的预定义动物类别解决该问题。在此类集合上训练的模型通常不能很好地适用于新的动物类别。在新类别上重新训练模型会使模型过拟合并导致灾难性遗忘。因此，在本工作中，我们提出了一种新颖的“动物姿态估计增量学习”问题。我们的方法使用由行列式点过程（DPP）采样的样例记忆，以持续适应新的动物类别而不遗忘旧的类别。我们进一步提出了一种使用 RBF 核的 k-DPP 新变体（称为“RBF k-DPP”），其相比传统 k-DPP 在性能上带来更多增益。由于内存限制，有限数量的样例与新类别数据一起会导致类别不平衡。我们通过执行图像扭曲作为增强技术来缓解该问题。这有助于构造多样化的姿态，从而减少过拟合并带来进一步的性能提升。我们通过大量实验与消融实验证明了所提方法的有效性，相较于 SOTA 基线方法取得了显著改进。
引用
@article{arxiv.2110.13598,
title = {Incremental Learning for Animal Pose Estimation using RBF k-DPP},
author = {Gaurav Kumar Nayak and Het Shah and Anirban Chakraborty},
journal= {arXiv preprint arXiv:2110.13598},
year = {2021}
}
备注
Accepted in BMVC 2021