重新思考自底向上人体姿态估计中的热图回归
计算机视觉与模式识别
2021-03-26 v4
摘要
热图回归已成为当今人体姿态估计方法最普遍的选择。真实热图通常通过用 2D 高斯核覆盖所有骨骼关键点来构建。这些核的标准差是固定的。然而，对于需要处理大幅人体尺度变化和标注模糊的自底向上方法，当前的做法似乎不合理。为更好地应对这些问题，我们提出尺度自适应热图回归（SAHR）方法，其可对每个关键点自适应调整标准差。如此，SAHR 对多种人体尺度和标注模糊更具容忍度。然而，SAHR 可能加剧前景-背景样本间的不平衡，这潜在损害 SAHR 的提升。因此，我们进一步引入权重自适应热图回归（WAHR）以帮助平衡前景-背景样本。大量实验表明，SAHR 与 WAHR 结合大幅提升了自底向上人体姿态估计的精度。结果，我们最终以 +1.5AP 优于 SOTA 模型，并在 COCO test-dev2017 上达到 72.0AP，这与大多数自顶向下方法的性能相当。源代码见 https://github.com/greatlog/SWAHR-HumanPose。
引用
@article{arxiv.2012.15175,
title = {Rethinking the Heatmap Regression for Bottom-up Human Pose Estimation},
author = {Zhengxiong Luo and Zhicheng Wang and Yan Huang and Tieniu Tan and Erjin Zhou},
journal= {arXiv preprint arXiv:2012.15175},
year = {2021}
}
备注
Accepted by CVPR2021