迈向实时头部姿态估计：在自然数据集上探索参数缩减的残差网络
计算机视觉与模式识别
2019-08-02 v2
摘要
头部姿态是人类身体交流的关键组成部分，因此是人机交互的决定性要素。实时头部姿态估计在人机交互或驾驶员辅助系统中至关重要。最有前景的头部姿态估计方法基于卷积神经网络（CNN）。然而，CNN模型通常过于复杂，难以实现实时性能。为应对这一挑战，我们探索了CNN中一个流行的子类——残差网络（ResNet），并对其进行修改以减少参数数量。针对包括低分辨率图像在内的不同图像尺寸，对ResNet进行了修改，并与不同数量的层相结合。它们在自然数据集上进行训练，以确保真实世界的适用性。结果表明，我们可以在减少参数数量的同时保持ResNet的性能。修改后的ResNet达到了最先进的精度，并为实时适用性提供了快速推理。
引用
@article{arxiv.1906.05203,
title = {Towards Real-Time Head Pose Estimation: Exploring Parameter-Reduced Residual Networks on In-the-wild Datasets},
author = {Ines Rieger and Thomas Hauenstein and Sebastian Hettenkofer and Jens-Uwe Garbas},
journal= {arXiv preprint arXiv:1906.05203},
year = {2019}
}
备注
32nd International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems (IEA/AIE 2019)