用于改进极端与野动作深度姿态估计的后数据增强
机器学习
2019-02-13 v1 人机交互
机器学习
摘要
近期基于深度神经网络（DNN）的技术贡献在人机交互（HCI）与用户界面（UI）领域发挥着重要作用。常用 DNN 之一是人体姿态估计。此类技术广泛用于人体动作捕捉，以及生成或修改虚拟化身。然而，为获得精度并使用此类系统，机器学习（ML）过程需要大型且精确的数据集。这对于特技动作或特定运动中的极端/野动作尤其困难，这些动作在通常提供的训练模型中难以估计。此外，训练可能耗时长久，并需要高端 GPU 以保证足够速度。为解决这些问题，我们提出一种利用预训练模型（即无需自行执行训练过程）来提升极端/野动作姿态估计精度的方法。我们期望我们的方法能促进 ML 领域之外应用领域的用户使用这些 DNN 技术，并帮助无高端计算机的用户将其用于个人与终端用例。
引用
@article{arxiv.1902.04250,
title = {Post-Data Augmentation to Improve Deep Pose Estimation of Extreme and Wild Motions},
author = {Kohei Toyoda and Michinari Kono and Jun Rekimoto},
journal= {arXiv preprint arXiv:1902.04250},
year = {2019}
}
备注
Accepted to IEEE VR 2019 Workshop on Human Augmentation and its Applications