KPTransfer：通过人体姿态估计中关键点子集间的域迁移实现性能提升与更快收敛
计算机视觉与模式识别
2019-03-26 v1
摘要
在本文中，我们提出了一种名为 KPTransfer 的新方法，通过在不同关键点子集之间进行域迁移来提升关键点检测深度神经网络的建模性能。该方法的动机源于这样一个理念：可以在代表不同域的不同关键点子集之间迁移丰富的上下文知识。具体而言，所提出的方法通过顺序添加和移除关键点来考虑各种关键点子集/域。上下文知识通过域迁移在两个独立的域之间进行迁移。为了证明所提出的 KPTransfer 方法的有效性，我们在 MPII 数据集上针对人体姿态估计任务进行了实验，并与随机初始化和冻结权重提取配置进行了比较。实验结果表明，在两个不同的关节子集之间进行域迁移，在某些关节划分中，使得手腕和膝盖等关节的 PCKh 相比随机初始化提升了高达 1.1，总体 PCKh 提升了 0.5。从不同关节集进行的域迁移不仅提高了准确率，而且由于来自不同关节集姿态的上下文知识导致权重的相互协同适应，还实现了更快的收敛。
引用
@article{arxiv.1903.09926,
title = {KPTransfer: improved performance and faster convergence from keypoint subset-wise domain transfer in human pose estimation},
author = {Kanav Vats and Helmut Neher and Alexander Wong and David A. Clausi and John Zelek},
journal= {arXiv preprint arXiv:1903.09926},
year = {2019}
}