MURAUER：面向标注节俭的未标注真实数据映射
计算机视觉与模式识别
2018-12-06 v2
摘要
为学习三维手姿态估计模型而标注数据是一项巨大工程。现成且精确标注的合成数据有潜力降低该工作量。然而，为成功利用合成数据，当前最先进方法仍需要大量标注真实数据。本工作中，我们主要通过使用大量合成数据与未标注真实数据，学习将真实数据特征映射至合成数据特征，从而去除该需求。我们利用未标注数据采用两个辅助目标，其强制要求(i)映射后的表示具有姿态特异性，且(ii)同时真实与合成数据的分布对齐。姿态特异性由要求该表示能预测不同视角下外观的自监督信号强制，分布则由对抗项对齐。以此方式，我们能显著提升不使用未标注数据的基线系统结果，并仅用约 1% 的标注真实数据便超越许多近期方法。这向着基于学习的手姿态估计更快部署迈出一步，使其可用于更广泛的应用。
引用
@article{arxiv.1811.09497,
title = {MURAUER: Mapping Unlabeled Real Data for Label AUstERity},
author = {Georg Poier and Michael Opitz and David Schinagl and Horst Bischof},
journal= {arXiv preprint arXiv:1811.09497},
year = {2018}
}
备注
WACV 2019; Project page at https://poier.github.io/murauer