质量位移网络
计算机视觉与模式识别
2017-08-15 v1
摘要
尽管在计算机视觉中使用深度学习取得了性能的大幅提升，人们通常仍可通过一些利用底层任务几何性质的额外后处理来进一步改善结果。这通常涉及以某种方式改变 CNN 的后验分布，使其更适合当前任务，例如更好地与局部图像特征对齐，或更紧凑。在本工作中，我们将这种几何后处理整合到深度架构中，引入了视觉中用于证据积累的常见几何投票技术的可微且概率上严谨的对应方法。我们将由此产生的神经模型称为质量位移网络，并将其应用于两种不同设置下的人体姿态估计： 关键点定位，我们将分布塌缩为一个点，从而实现身体关键点的精确定位； 身体部位间的通信，我们将证据从一个部位转移到另一个部位，从而实现全局一致的姿态估计。我们在大规模姿态估计基准上进行评估，如 MPII Human Pose 和 COCO 数据集，并报告了相较于强基线的系统性改进。
引用
@article{arxiv.1708.03816,
title = {Mass Displacement Networks},
author = {Natalia Neverova and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1708.03816},
year = {2017}
}
备注
12 pages, 4 figures