MetaCloth：从少量样本中学习未见密集服装关键点检测任务
计算机视觉与模式识别
2022-01-20 v1
摘要
近期先进的服装关键点检测方法主要由大规模服装数据集上的卷积神经网络训练驱动，这些数据集具有大量标注关键点。然而，此类大规模标注在真实应用中难以获取且成本高昂，因此期望能从少量标注数据中良好泛化的模型。我们研究了少样本服装关键点检测这一问题，其中未见任务仅有少量标注样本可用。本工作提出一种名为MetaCloth的基于元学习的新框架，能够仅用少量标注样本学习未见密集服装关键点检测任务。与以往聚焦于解决“N类K样本”任务的元学习工作不同——其中每个任务通过对每类K个标注样本训练来预测N个类别（N对所有已见和未见任务固定）——MetaCloth中的任务使用K个样本检测不同服装类别的N个不同关键点，其中N随任务变化，因为不同服装类别通常具有不同数量的关键点。因此，MetaCloth中不同已见和未见任务的参数数量各异。MetaCloth经精心设计，可为不同任务动态生成不同数量的参数，并从少量标注样本中以一组良好的初始化参数学习可泛化的特征提取网络。大量实验表明，MetaCloth大幅优于同类方法。
引用
@article{arxiv.2112.02763,
title = {MetaCloth: Learning Unseen Tasks of Dense Fashion Landmark Detection from a Few Samples},
author = {Yuying Ge and Ruimao Zhang and Ping Luo},
journal= {arXiv preprint arXiv:2112.02763},
year = {2022}
}
备注
Accepted by IEEE Transactions on Image Processing