从动作中学习人体姿态
计算机视觉与模式识别
2018-07-25 v1
摘要
我们考虑从静态图像中估计人体姿态的任务。为避免全监督的高成本，我们提出使用一种多样化数据集，其包含两类标注：(i) 少量图像使用昂贵的真实姿态标注；(ii) 其余图像使用廉价的动作标签标注。由于动作信息有助于缩小人体姿态的范围，我们认为该方法可在不显著影响精度的前提下降低训练成本。为证明这一点，我们设计了一个概率框架，采用两种分布：(i) 条件分布，用于建模给定图像与动作时人体姿态的不确定性；(ii) 预测分布，在不使用任何动作信息的情况下给出图像姿态。我们通过最小化上述两分布的相异系数（由特定任务损失函数度量）来联合估计其参数。在训练与测试阶段，我们仅需要对上述两分布的高效采样策略。这使我们能够使用可对未见图像提供准确姿态估计的深度概率网络。在 MPII 数据集上，我们表明本方法优于那些不使用多样化标注或依赖姿态点估计的基线方法。
引用
@article{arxiv.1807.09075,
title = {Learning Human Poses from Actions},
author = {Aditya Arun and C. V. Jawahar and M. Pawan Kumar},
journal= {arXiv preprint arXiv:1807.09075},
year = {2018}
}
备注
Accepted at BMVC 2018