ICCV 2019 COCO与Mapillary联合研讨会关键点检测挑战赛技术报告：面向人体姿态估计的分布感知坐标表示
计算机视觉与模式识别
2020-03-17 v1
摘要
本文关注人体姿态估计中的坐标表示问题。基于热图（heatmap）的表示虽为标准选择，却尚未被系统研究。我们发现，坐标解码过程（即将预测热图转换为坐标）对人体姿态估计性能的影响出乎意料地显著，然而这一点此前未被认识到。鉴于所发现的重要性，我们进一步探究了标准坐标解码方法的设计局限，并提出了一种原则性的分布感知解码方法。同时，我们通过生成准确的热图分布以进行无偏模型训练，改进了标准坐标编码过程（即将真实坐标转换为热图）。综合二者，我们提出了一种新颖的面向关键点（Keypoint）的分布感知坐标表示（Distribution-Aware coordinate Representation for Keypoint, DARK）方法。作为模型无关的插件，DARK显著提升了多种最先进（state-of-the-art, SOTA）人体姿态估计模型的性能。大量实验表明，DARK在COCO关键点检测挑战赛上取得了最佳结果，验证了我们新颖坐标表示思想的有用性与有效性。包含更多细节的项目页面位于 https://ilovepose.github.io/coco
引用
@article{arxiv.2003.07232,
title = {Joint COCO and Mapillary Workshop at ICCV 2019 Keypoint Detection Challenge Track Technical Report: Distribution-Aware Coordinate Representation for Human Pose Estimation},
author = {Hanbin Dai and Liangbo Zhou and Feng Zhang and Zhengyu Zhang and Hong Hu and Xiatian Zhu and Mao Ye},
journal= {arXiv preprint arXiv:2003.07232},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1910.06278