野外姿态识别：基于凝聚聚类和对比学习的动物姿态估计
计算机视觉与模式识别
2021-11-17 v1 人工智能
摘要
由于其在生物学、动物学和 aquaculture 中的应用，动物姿态估计近期受到关注。深度学习方法已有效应用于人体姿态估计。然而，将这些方法应用于动物姿态估计的主要瓶颈是缺乏足够数量的标注数据。尽管有大量的未标注数据公开可用，但为每种动物标注大量数据在经济上不切实际。此外，由于动物界体型的广泛多样性，跨领域知识迁移效果不佳。鉴于人脑能够在无需大量标注数据的情况下识别动物姿态，利用无监督学习从可用的未标注数据中解决动物姿态识别问题是合理的。本文中，我们提出了一种能够从无标注数据中识别多种动物姿态的新架构。我们通过以下方式实现：(1)从每张图像中去除背景信息并在动物身体上采用边缘检测算法；(2)跟踪边缘像素运动并进行凝聚聚类以分割身体部位；(3)采用对比学习以避免将遥远身体部位聚在一起。因此，我们能够根据身体部位的视觉行为而非底层解剖结构来区分它们。从而，我们实现了比人工标注对应数据更有效的数据分类。我们在TigDog和WLD(WildLife Documentary)数据集上测试了我们的模型，显著优于最先进的方法。我们还研究了模型在其他公开数据上的性能以展示其泛化能力。
引用
@article{arxiv.2111.08259,
title = {Pose Recognition in the Wild: Animal pose estimation using Agglomerative Clustering and Contrastive Learning},
author = {Samayan Bhattacharya and Sk Shahnawaz},
journal= {arXiv preprint arXiv:2111.08259},
year = {2021}
}
备注
9 pages, 4 figures, 3 tables