面向遮挡鲁棒人体姿态估计的无监督域适应
计算机视觉与模式识别
2025-01-07 v1
摘要
遮挡是人体姿态估计算法面临的重大挑战，常导致不准确且解剖学上不合理的姿态。尽管当前遮挡鲁棒的人体姿态估计算法在现有数据集上表现出色，但其成功很大程度上归功于监督训练以及额外信息（如多视角或时间连续性）的可用性。此外，这些算法在分布偏移下通常性能下降。虽然现有的域自适应人体姿态估计算法解决了这一瓶颈，但当目标域图像被遮挡时（这在现实场景中很常见），它们往往表现欠佳。为应对这些挑战，我们提出OR-POSE：面向遮挡鲁棒人体姿态估计的无监督域适应。OR-POSE是一种创新的无监督域适应算法，通过采用均值教师框架进行迭代伪标签精炼，有效缓解域偏移并克服遮挡挑战。此外，OR-POSE通过利用学习到的人体姿态先验（在适应过程中融入人体解剖约束）来强化真实姿态预测。最后，OR-POSE通过采用一种新颖的基于可见性的课程学习方法，避免过拟合于严重遮挡图像生成的错误伪标签。这使得模型能够逐步从遮挡较少的训练样本过渡到更具挑战性的严重遮挡样本。大量实验表明，在具有挑战性的遮挡人体姿态估计数据集上，OR-POSE比现有同类最先进算法性能提升约7%。
引用
@article{arxiv.2501.02773,
title = {Unsupervised Domain Adaptation for Occlusion Resilient Human Pose Estimation},
author = {Arindam Dutta and Sarosij Bose and Saketh Bachu and Calvin-Khang Ta and Konstantinos Karydis and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2501.02773},
year = {2025}
}
备注
9 pages, 7 figures