循环三维姿态序列机
计算机视觉与模式识别
2017-08-01 v1
摘要
从单目图像序列中恢复三维人体关节姿态极具挑战性，原因在于外观、视角、遮挡的多样性，以及单目图像中人体三维姿态固有的歧义性。因此，利用身体关节之间丰富的空间和时间长程依赖关系对于准确预测三维姿态序列至关重要。现有方法通常手动设计一些精细的先验项和人体运动学约束来捕捉结构，这往往不足以利用所有内在结构，且不能适用于所有场景。相比之下，本文提出了一种循环三维姿态序列机（RPSM），通过使用多阶段序列细化，自动学习依赖于图像的结构约束和依赖于序列的时间上下文。在每个阶段，我们的 RPSM 由三个模块组成，基于先前学习到的二维姿态表示和三维姿态来预测三维姿态序列：(i) 一个二维姿态模块，提取依赖于图像的姿态表示；(ii) 一个三维姿态循环模块，回归三维姿态；(iii) 一个特征适应模块，作为模块 (i) 和 (ii) 之间的桥梁，实现从二维域到三维域的表示转换。这三个模块随后被组装成一个序列预测框架，通过多个循环阶段来细化预测的姿态。在 Human3.6M 数据集和 HumanEva-I 数据集上的广泛评估表明，我们的 RPSM 在三维姿态估计方面优于所有最先进的方法。
引用
@article{arxiv.1707.09695,
title = {Recurrent 3D Pose Sequence Machines},
author = {Mude Lin and Liang Lin and Xiaodan Liang and Keze Wang and Hui Cheng},
journal= {arXiv preprint arXiv:1707.09695},
year = {2017}
}
备注
Published in CVPR 2017