用于人体姿态估计的结构化特征学习
计算机视觉与模式识别
2016-03-31 v1
摘要
本文中，我们提出一种结构化特征学习框架，用于在人体姿态估计的特征层级推断身体关节间的相关性。与现有在分数图或预测标签上建模结构的方法不同，特征图保留了关于身体关节丰富得多的描述。关节特征图之间的关系通过引入的几何变换核捕捉，其可轻易用卷积层实现。特征及其关系在端到端学习系统中联合学习。提出一种双向树结构模型，使得身体关节处的特征通道能良好接收来自其他关节的信息。该框架大幅改进了特征学习。通过极简单的后处理，它在 LSP 和 FLIC 数据集上达到了最佳平均PCP。与用卷积网络分别在每个关节学习特征的基线相比，平均PCP在FLIC上提升了18%。代码已公开。
引用
@article{arxiv.1603.09065,
title = {Structured Feature Learning for Pose Estimation},
author = {Xiao Chu and Wanli Ouyang and Hongsheng Li and Xiaogang Wang},
journal= {arXiv preprint arXiv:1603.09065},
year = {2016}
}
备注
Accepted by CVPR2016