面向小鼠姿态估计的结构化上下文增强网络
计算机视觉与模式识别
2021-08-03 v3
摘要
小鼠行为的自动化分析对神经科学的许多应用至关重要。然而，从视频或图像中量化小鼠行为仍是一个具有挑战性的问题，其中姿态估计在描述小鼠行为中起着重要作用。尽管基于深度学习的方法在人体姿态估计方面取得了可喜的进展，但由于生理本质不同，它们无法直接应用于小鼠的姿态估计。特别是，由于小鼠身体具有高度可变形性，准确定位小鼠身体上不同关键点是一项挑战。在本文中，我们提出了一种基于 Hourglass 网络的新模型，即基于图模型的结构化上下文增强网络（GM-SCENet），其中依次实现了两个有效模块，即结构化上下文混合器（SCM）和级联多级监督（CMLS）。SCM 通过一种考虑身体各部分之间运动差异的新型图模型，自适应地学习并增强所提出的每个小鼠部位的结构化上下文信息。然后，设计 CMLS 模块，通过生成多级信息来联合训练所提出的 SCM 和 Hourglass 网络，从而提高整个网络的鲁棒性。利用来自 SCM 和 CMLS 的多级预测信息，我们开发了一种推理方法来确保定位结果的准确性。最后，我们将所提出的方法与多个基线进行了评估……
引用
@article{arxiv.2012.00630,
title = {Structured Context Enhancement Network for Mouse Pose Estimation},
author = {Feixiang Zhou and Zheheng Jiang and Zhihua Liu and Fang Chen and Long Chen and Lei Tong and Zhile Yang and Haikuan Wang and Minrui Fei and Ling Li and Huiyu Zhou},
journal= {arXiv preprint arXiv:2012.00630},
year = {2021}
}
备注
IEEE Transactions on Circuits and Systems for Video Technology