面向自监督三维人体姿态估计的不确定性感知自适应方法
计算机视觉与模式识别
2022-03-30 v1
摘要
单目三维人体姿态估计的进展由需要大规模 2D/3D 姿态标注的监督技术主导。此类方法在没有任何机制丢弃不熟悉的分布外数据时，往往表现失常。为此，我们将三维人体姿态学习视为无监督域自适应问题。我们提出 MRP-Net，其由一个共用深度网络骨干与两个隶属于不同配置的输出头构成：a) 无模型关节定位；b) 基于模型的参数化回归。这样的设计使我们能够导出合适的度量，在姿态和关节两个粒度级别量化预测不确定性。在仅对标注合成样本进行监督时，自适应过程旨在最小化未标注目标图像的不确定性，同时最大化一个极端分布外数据集（背景）的不确定性。除合成到真实的三维姿态自适应外，关节级不确定性使得自适应可扩展至在遮挡与截断场景下也能处理野外图像。我们给出了对所提方法的综合评估，并在基准数据集上展示了最先进的性能。
引用
@article{arxiv.2203.15293,
title = {Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation},
author = {Jogendra Nath Kundu and Siddharth Seth and Pradyumna YM and Varun Jampani and Anirban Chakraborty and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2203.15293},
year = {2022}
}
备注
CVPR 2022. Project page: https://sites.google.com/view/mrp-net