训练你的数据处理器：面向人体姿态估计的分布感知与误差补偿坐标解码
计算机视觉与模式识别
2020-07-20 v4
摘要
近来，人体姿态估计的领先性能由基于热图的方法主导。尽管热图解码（即将热图变换为坐标）是热图处理的基本组成部分，但据我们所知，对其的研究十分有限。本工作填补了这一空白，通过研究热图解码处理并特别关注整个预测过程中引入的误差。我们发现基于热图方法的误差大得惊人，然而此前却被普遍忽略。鉴于所发现的重要性，我们进一步揭示了以往广泛使用的热图解码方法的内在局限，并由此提出一种分布感知与误差补偿坐标解码（DAEC）。作为模型无关的插件，DAEC 从训练数据中学习其解码策略，并以可忽略的额外计算显著改进多种最先进的人体姿态估计模型的性能。具体而言，配备 DAEC 后，SimpleBaseline-ResNet152-256x192 与 HRNet-W48-256x192 在 COCO 上分别显著提升 2.6 AP 和 2.9 AP，达到 72.6 AP 和 75.7 AP。此外，HRNet-W32-256x256 与 ResNet-152-256x256 框架在 MPII 上以 PCKh0.1 指标分别获得 8.4% 和 7.8% 的更大幅度提升。在这两个常用基准上进行的广泛实验表明，DAEC 以可观优势超越其竞争者，印证了我们新颖热图解码思想的合理性与通用性。项目地址：https://github.com/fyang235/DAEC。
引用
@article{arxiv.2007.05887,
title = {Train Your Data Processor: Distribution-Aware and Error-Compensation Coordinate Decoding for Human Pose Estimation},
author = {Feiyu Yang and Zhan Song and Zhenzhong Xiao and Yu Chen and Zhe Pan and Min Zhang and Min Xue and Yaoyang Mo and Yao Zhang and Guoxiong Guan and Beibei Qian},
journal= {arXiv preprint arXiv:2007.05887},
year = {2020}
}
备注
Improve the state-of-the-art of COCO keypoint detection challenge by 1-2 AP. Project page: https://github.com/fyang235/DAEC