将密集姿态迁移至近缘动物类
计算机视觉与模式识别
2020-03-03 v1
摘要
近期的研究表明，在给定大量精细标注姿态数据集的情况下，可以密集且准确地识别人体姿态。原则上，相同的方法可扩展至任意动物类，但为每个案例收集新标注所需的工作量使得这一策略不切实际，尽管在自然保护、科学与商业中有重要应用。我们表明，至少对于如黑猩猩之类的近缘动物类，可以将人体密集姿态识别以及更通用的物体检测器与分割器中已有的知识，迁移至其他类的密集姿态识别问题。为此我们：(1) 建立几何上也与人类对齐的新动物 DensePose 模型；(2) 引入一种多头部 R-CNN 架构，促进类间多识别任务的迁移；(3) 找出哪些已知类的组合可最有效地迁移至新动物；(4) 使用自校准不确定性头部生成按质量分级的伪标签以训练该类模型。我们还引入了两个以 DensePose 方式标注的黑猩猩基准数据集，并用它们评估我们的方法，展示了优异的迁移学习性能。
引用
@article{arxiv.2003.00080,
title = {Transferring Dense Pose to Proximal Animal Classes},
author = {Artsiom Sanakoyeu and Vasil Khalidov and Maureen S. McCarthy and Andrea Vedaldi and Natalia Neverova},
journal= {arXiv preprint arXiv:2003.00080},
year = {2020}
}
备注
Accepted at CVPR 2020; Project page: https://asanakoy.github.io/densepose-evolution