基于序贯蒙特卡洛与概率神经姿态预测器的多人姿态跟踪
计算机视觉与模式识别
2020-02-28 v2 机器学习
摘要
对于视频中的多人姿态跟踪任务，以逐帧方式进行预测与姿态匹配是一种有效策略。对于此类方法，由于精确预测不可能实现，不确定性感知建模至关重要。然而，以往研究仅依赖单一预测而未纳入不确定性，若预测不可靠则可能导致严重的跟踪错误。本文提出以序贯蒙特卡洛 (SMC) 对该方法进行扩展。这自然地将跟踪方案重构为处理姿态的多个预测（或假设），从而减轻预测错误的负面影响。SMC 的一个重要组成部分即提议分布，被设计为概率神经姿态预测器，其通过纳入认知不确定性和异方差任意不确定性，可提出多样且合理的假设。此外，我们在神经建模中引入循环架构，以利用姿态的时间序列信息来应对姿态频繁消失与重现等困难情形。与现有基线相比，所提方法在 PoseTrack2018 验证集上取得了最先进的 MOTA 分数，将最先进基线方法的跟踪错误减少了约 50%。
引用
@article{arxiv.1909.07031,
title = {Multi-person Pose Tracking using Sequential Monte Carlo with Probabilistic Neural Pose Predictor},
author = {Masashi Okada and Shinji Takenaka and Tadahiro Taniguchi},
journal= {arXiv preprint arXiv:1909.07031},
year = {2020}
}
备注
Accepted to ICRA2020; Camera-ready ver