RePose：学习深度运动学先验以实现快速人体姿态估计
计算机视觉与模式识别
2020-02-11 v1
摘要
我们提出了一种新颖的高效轻量模型，用于从单幅图像进行人体姿态估计。我们的模型旨在以各种最先进方法的一小部分参数数量和计算成本取得有竞争力的结果。为此，我们在分层预测框架中显式引入基于部件的结构与几何先验。在最粗分辨率下，以类似于经典基于部件方法的方式，我们利用人体运动学结构在关键点或身体部件间传播卷积特征更新。与经典方法不同，我们采用端到端训练，通过来自数据的特征更新学习该几何先验。我们随后将最粗分辨率的特征表示沿层次向上传播，以由粗到精的方式细化预测姿态。最终网络在轻量深度神经网络中有效建模了几何先验与直觉，在Leeds Sports Pose和MPII Human Pose两个标准数据集上为此规模模型取得了最先进结果。
引用
@article{arxiv.2002.03933,
title = {RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation},
author = {Hossam Isack and Christian Haene and Cem Keskin and Sofien Bouaziz and Yuri Boykov and Shahram Izadi and Sameh Khamis},
journal= {arXiv preprint arXiv:2002.03933},
year = {2020}
}