面向小数据婴儿姿态估计的不变表示学习
计算机视觉与模式识别
2021-11-02 v5
摘要
婴儿运动分析在儿童早期发展研究中具有关键重要性。然而，尽管人体姿态估计的应用已愈发广泛，由于身体比例显著差异及姿态多变性，在大规模成人姿态数据集上训练的模型在估计婴儿姿态时几乎难以成功。此外，隐私与安全考量阻碍了从零训练鲁棒模型所需的充足婴儿姿态数据的获取。为解决此问题，本文提出（1）构建并公开发布一个混合合成与真实婴儿姿态（SyRIP）数据集，包含少量但多样的真实的婴儿图像以及生成的合成婴儿姿态；（2）一种多阶段不变表示学习策略，可将来自成人姿态与合成婴儿图像相邻领域的知识迁移至我们微调的域自适应婴儿姿态（FiDIP）估计模型中。在我们的消融研究中，在相同的网络结构下，在SyRIP数据集上训练的模型较仅在另一公开婴儿姿态数据集上训练的模型有显著提升。集成于具有不同复杂度的姿态估计骨干网络时，FiDIP始终优于那些模型的微调版本。我们在最先进的DarkPose模型上最佳的婴儿姿态估计器取得了93.6的平均精度均值（mAP）。
引用
@article{arxiv.2010.06100,
title = {Invariant Representation Learning for Infant Pose Estimation with Small Data},
author = {Xiaofei Huang and Nihang Fu and Shuangjun Liu and Sarah Ostadabbas},
journal= {arXiv preprint arXiv:2010.06100},
year = {2021}
}