基于单目行人姿态估计神经网络的在线监测

若干自主系统流水线现已依赖深度学习方法作为核心组件。尽管这些方法在常规条件下表现良好，但它们往往具有意外且严重的失效模式，这在包括自动驾驶汽车在内的安全关键应用中引发担忧。已有若干工作旨在离线刻画网络的鲁棒性，但目前缺乏在运行期间在线监测网络输出正确性的工具。我们研究从图像估计三维人体形状与姿态的神经网络之在线输出监测问题。我们的第一个贡献是提出并评估用于人体姿态与形状重建网络的基于模型与基于学习的监测器，并评估其对给定测试输入预测输出损失的能力。作为第二个贡献，我们引入对抗训练在线监测器（ATOM），其从数据中学习如何有效预测损失。ATOM 优于基于模型的基线，并能检测不良输出，从而显著提升人体姿态输出质量。我们最后的贡献是广泛的实验评估，表明丢弃被 ATOM 标记为不正确的输出可使平均误差降低 12.5%，最坏情况误差降低 126.5%。