基于形状分解模型的单目单图三维姿态估计多几何先验联合表示
计算机视觉与模式识别
2019-06-03 v1 人工智能
摘要
本文旨在从单张图像的二维人体关节点恢复三维人体姿态。此任务的主要挑战在于深度歧义性，因为不同的三维姿态可能产生相似的二维姿态。尽管在无监督和监督学习方法中，该问题近期取得了许多进展，但大多数方法的性能都受到训练数据多样性和丰富性不足的严重影响。为了缓解这个问题，我们提出了一种无监督学习方法，能够在有限的可用训练数据下很好地估计各种复杂姿态。具体来说，我们提出了一个形状分解模型 (SDM)，其中将三维姿态视为全局结构与一些形变这两个部分的叠加。基于 SDM，我们通过求解两组不同分布的几何先验组合系数来显式地估计这两个部分。此外，为了获得几何先验，我们提出了一种联合字典学习算法，以从有限的训练数据中同时提取粗略和精细的姿态线索。在几个广泛使用的数据集上的定量评估表明，我们的方法相比其他竞争性方法取得了更好的性能。特别是在一些具有更复杂形变的类别上，我们的方法取得了显著的改进。此外，在自然图像上进行的定性实验也显示了所提方法的有效性。
引用
@article{arxiv.1905.13466,
title = {Joint Representation of Multiple Geometric Priors via a Shape Decomposition Model for Single Monocular 3D Pose Estimation},
author = {Mengxi Jiang and Zhuliang Yu and Cuihua Li and Yunqi Lei},
journal= {arXiv preprint arXiv:1905.13466},
year = {2019}
}