无源域自适应人体姿态估计
计算机视觉与模式识别
2023-09-28 v4 人工智能
机器学习
摘要
人体姿态估计（HPE）广泛应用于动作分析、医疗健康和虚拟现实等多个领域。然而，带标注的真实世界数据集的高昂成本给 HPE 带来了重大挑战。为克服此问题，一种方法是在合成数据集上训练 HPE 模型，然后对真实世界数据执行域适应（DA）。遗憾的是，现有的 HPE 域适应方法在适应过程中同时使用源域和目标域数据，忽视了数据隐私与安全。为此，我们提出一项新任务，称为无源域自适应 HPE，旨在解决在适应过程中无法访问源数据的条件下 HPE 的跨域学习挑战。我们进一步提出一个由源模型、中间模型和目标模型组成的新型框架，从源保护与目标相关两个视角对该任务进行探索。源保护模块在抵抗噪声的同时更有效地保留源信息，目标相关模块通过构建新颖的空间概率空间来降低空间表示的稀疏性，并基于此空间提出了姿态特定的对比学习与信息最大化。在多个域自适应 HPE 基准上的综合实验表明，所提方法以显著优势优于现有方法。代码已发布于 https://github.com/davidpengucf/SFDAHPE。
引用
@article{arxiv.2308.03202,
title = {Source-free Domain Adaptive Human Pose Estimation},
author = {Qucheng Peng and Ce Zheng and Chen Chen},
journal= {arXiv preprint arXiv:2308.03202},
year = {2023}
}
备注
Accepted by ICCV 2023