POSTURE：基于姿态引导的人类身体部位分割无监督域适应
计算机视觉与模式识别
2024-07-24 v2
摘要
现有的人类身体部位分割算法在具有挑战性的数据集上表现突出，主要依赖于端到端的监督学习。然而，这些算法在遭遇域迁移时表现显著下降，导致分割掩码不准确。为解决此问题，我们引入 POSTURE：P o s e G u i d e d U n s u p e r v i s e d D o m a i n A d a p t a t i o n f o r H u m a n B o d y P a r t S e g m e n t a t i o n - 一种创新的伪标签方法，用于提高在无标签目标数据上的分割性能。与通用语义分割的常规域适应方法不同，POSTURE 独特之处在于考虑到人体结构的内在结构，并利用姿态关键点提供的解剖学指导来驱动适应过程。这种强先验条件导致显著的性能提升，在三个基准数据集上平均提高了 8%。此外，我们提出方法的内在灵活性使得可以无缝扩展到源自由设置（SF-POSTURE），有效缓解了潜在的隐私和计算问题，同时性能几乎不受影响。
引用
@article{arxiv.2407.03549,
title = {POSTURE: Pose Guided Unsupervised Domain Adaptation for Human Body Part Segmentation},
author = {Arindam Dutta and Rohit Lal and Yash Garg and Calvin-Khang Ta and Dripta S. Raychaudhuri and Hannah Dela Cruz and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2407.03549},
year = {2024}
}