利用合成成人数据集进行无监督婴儿姿态估计
计算机视觉与模式识别
2025-04-09 v1
摘要
人体姿态估计是医疗保健领域的关键工具。尽管针对成人的姿态估计算法取得了显著进展，但针对婴儿的算法发展仍有限。现有婴儿姿态估计算法虽取得可喜成绩，但依赖完全监督的方法，需要大量标记数据。此外，这些算法在分布迁移下也难以保持良好泛化性。为此，我们提出SHIFT：利用合成成人数据集进行无监督婴儿姿态估计，该方法利用基于伪标签的Mean-Teacher框架弥补标记数据不足，并通过强制学生和教师伪标签之间的一致性来解决分布迁移问题。此外，为惩罚Mean-Teacher框架获得的不合理预测，我们引入了婴儿流形姿态先验。为增强SHIFT的自遮挡感知能力，我们提出了一种新颖的可见性一致性模块，用于改进预测姿态与原始图像的对齐。大量实验表明，SHIFT在多个基准数据集上显著优于现有5%的无监督域适应（UDA）姿态估计方法，并以16%的优势超越受监督的婴儿姿态估计方法。项目页面可访问：https://sarosijbose.github.io/SHIFT。
引用
@article{arxiv.2504.05789,
title = {Leveraging Synthetic Adult Datasets for Unsupervised Infant Pose Estimation},
author = {Sarosij Bose and Hannah Dela Cruz and Arindam Dutta and Elena Kokkoni and Konstantinos Karydis and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2504.05789},
year = {2025}
}
备注
Accepted at ABAW@CVPR 2025