面向三维人体姿态估计的无监督几何感知表征
计算机视觉与模式识别
2018-04-05 v1 人工智能
摘要
现代三维人体姿态估计技术依赖于深度网络，需要大量训练数据。尽管弱监督方法通过利用无标注的二维姿态或多视角图像减少监督，但仍需足够大规模的三维标注样本集才能成功学习。本文提出通过从无标注的多视角图像中学习几何感知的身体表征来克服该问题。为此，我们使用一个编码器-解码器，在给定某一视角图像的条件下预测另一视角的图像。由于该表征编码了三维几何信息，在半监督设置中使用它可更容易地学习从表征到三维人体姿态的映射。如我们的实验所示，在相同标注数据量下，我们的方法显著优于全监督方法，并且仅使用 1% 的标注数据便超越其他半监督方法。
引用
@article{arxiv.1804.01110,
title = {Unsupervised Geometry-Aware Representation for 3D Human Pose Estimation},
author = {Helge Rhodin and Mathieu Salzmann and Pascal Fua},
journal= {arXiv preprint arXiv:1804.01110},
year = {2018}
}