RankPose：以排序监督学习广义特征用于头部姿态估计
计算机视觉与模式识别
2020-05-25 v1
摘要
我们解决了基于 RGB 图像的头部姿态估计这一挑战性问题。我们首先重新表述头部姿态表示学习，将其约束于有界空间。以向量投影或向量角表示的头部姿态被证明有助于提升性能。进一步，提出了一种结合 MSE 回归损失的排序损失。该排序损失以同一人的成对样本监督神经网络，并对姿态预测的错误排序进行惩罚。对这一新损失函数的分析表明，它有助于更好的局部特征提取器，其中特征被泛化为抽象 landmarks——即与姿态相关的特征，而非身份、年龄和光照等与姿态无关的信息。大量实验表明，我们的方法在公开数据集 AFLW2000 和 BIWI 上显著优于当前最先进的方案。我们的模型在 AFLW2000 和 BIWI 上将先前 SOTA 的 MAE 分别从 4.50 提升至 3.66、从 4.0 提升至 3.71。源代码将发布于：https://github.com/seathiefwang/RankHeadPose。
引用
@article{arxiv.2005.10984,
title = {RankPose: Learning Generalised Feature with Rank Supervision for Head Pose Estimation},
author = {Donggen Dai and Wangkit Wong and Zhuojun Chen},
journal= {arXiv preprint arXiv:2005.10984},
year = {2020}
}