不可见至可见：基于协同学习概率 U-Net 利用机载超声进行隐私感知的人体分割
计算机视觉与模式识别
2022-05-12 v1 图像与视频处理
摘要
彩色图像易于视觉理解，并能获取颜色、纹理等大量信息，已高度广泛地应用于分割等任务。另一方面，在室内人体分割中，有必要在考虑隐私的前提下采集人体数据。我们提出了一种基于不可见信息（特别是机载超声）进行人体分割的新任务。我们首先将超声波波转换为反射超声方向图像（超声图像），以从不可见信息执行分割。尽管超声图像可粗略识别人的位置，但其细节形状模糊。为解决该问题，我们提出了一种协同学习概率 U-Net，其在训练时同时使用超声图像与分割图像，通过比较潜空间参数来拉近超声图像与分割图像之间的概率分布。在推理时，仅使用超声图像即可获得分割结果。性能验证结果表明，所提方法比常规概率 U-Net 及其他变分自编码器模型能更准确地估计人体分割。
引用
@article{arxiv.2205.05293,
title = {Invisible-to-Visible: Privacy-Aware Human Segmentation using Airborne Ultrasound via Collaborative Learning Probabilistic U-Net},
author = {Risako Tanigawa and Yasunori Ishii and Kazuki Kozuka and Takayoshi Yamashita},
journal= {arXiv preprint arXiv:2205.05293},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2204.07280