SimPose：从模拟数据有效学习人体 DensePose 与表面法线
计算机视觉与模式识别
2020-07-31 v1
摘要
随着通用域适应方法的激增，我们报告了一种简单而有效的技术，用于学习关节化人体的逐像素 2.5D 和 3D 回归表示。我们在 2.5D DensePose 估计任务和 3D 人体表面法线估计任务上获得了强大的仿真到真实域泛化能力。在多人体 DensePose MSCOCO 基准上，我们的方法优于在密集标注的真实图像上训练的当前最优（SOTA）方法。这是一个重要结果，因为在真实图像上获取人体流形的本征 uv 坐标耗时且容易产生标注噪声。此外，我们在缺乏任何真实 3D 表面法线标签的 MSCOCO 数据集上展示了我们模型的 3D 表面法线预测。我们方法的关键在于通过从混合域样本中精心挑选训练批次、深度批归一化残差网络以及改进的多任务学习目标来缓解“域间协变量偏移”。我们的方法与现有的域适应技术互补，并可应用于其他密集逐像素姿态估计问题。
引用
@article{arxiv.2007.15506,
title = {SimPose: Effectively Learning DensePose and Surface Normals of People from Simulated Data},
author = {Tyler Zhu and Per Karlsson and Christoph Bregler},
journal= {arXiv preprint arXiv:2007.15506},
year = {2020}
}
备注
To appear in the Proceedings of ECCV 2020