覆盖之下看分明：一种用于床上姿态估计的物理引导学习方法
计算机视觉与模式识别
2019-09-23 v3
摘要
人体床上姿态估计在医疗与保健应用中具有巨大实用价值，但至今仍主要依赖昂贵的压力映射（PM）方案。在本文中，我们介绍了一种新颖的受物理启发的基于视觉的方法，解决了床上姿态估计问题相关的挑战性难题，包括监测完全黑暗中被完全覆盖的人。我们使用提出的基于热扩散的覆盖下成像（UCITD）方法重新表述了该问题，利用长波红外技术捕获身体的高分辨率姿态信息，即使其被完全覆盖。我们提出了物理超参数的概念，通过它我们在不同模态下获得了高质量的真值姿态标签。我们还形成/发布了一个名为同步采集多模态卧姿（SLP）的完全标注床上姿态数据集，其规模与大多数现有大规模人体姿态数据集同数量级，以支持复杂模型的训练与评估。在其上从头训练并在两种不同设置（一个在客厅，另一个在医院病房）上测试的网络，在 PCK0.2 标准下分别展示了 99.5% 和 95.7% 的姿态估计性能。此外，在与基于 PM 的 SOTA 床上姿态监测方案的多因素比较中，我们的方案在所有实用方面均显示出显著优越性：成本低 60 倍、体积小 300 倍，同时具有更高的姿态识别粒度与准确率。
引用
@article{arxiv.1907.02161,
title = {Seeing Under the Cover: A Physics Guided Learning Approach for In-Bed Pose Estimation},
author = {Shuangjun Liu and Sarah Ostadabbas},
journal= {arXiv preprint arXiv:1907.02161},
year = {2019}
}