多假设三维人体姿态估计度量偏好误校准分布
计算机视觉与模式识别
2022-10-21 v1 机器学习
摘要
由于深度模糊和遮挡，将 2D 姿态提升为 3D 是一个高度不适定问题。可能姿态的良校准分布可以明确这些模糊性，并为下游任务保留由此产生的不确定性。本研究表明，先前通过多假设生成来考虑这些模糊性的尝试产生了误校准分布。我们确定误校准可归因于对 minMPJPE 等基于样本的度量的使用。在一系列模拟中，我们表明，如通常所做的那样最小化 minMPJPE 应收敛到正确的均值预测。然而，它未能正确捕捉不确定性，从而导致误校准分布。为缓解该问题，我们提出了一种准确且良校准的模型，称为条件图归一化流（cGNFs）。我们的模型结构使得单个 cGNF 能在同一模型内估计条件和边缘密度——有效地解决零样本密度估计问题。我们在 Human~3.6M 数据集上评估 cGNF，表明 cGNF 提供了良校准的分布估计，同时在总体 minMPJPE 方面接近最先进水平。此外，cGNF 在遮挡关节上优于先前方法，同时保持良校准。
引用
@article{arxiv.2210.11179,
title = {Multi-hypothesis 3D human pose estimation metrics favor miscalibrated distributions},
author = {Paweł A. Pierzchlewicz and R. James Cotton and Mohammad Bashiri and Fabian H. Sinz},
journal= {arXiv preprint arXiv:2210.11179},
year = {2022}
}
备注
Under review