VL4Pose：通过分布外检测进行姿态估计的主动学习
计算机视觉与模式识别
2022-10-13 v1
摘要
计算的进步使得姿态估计得以广泛普及，创造了新的数据流来源。与用于数据收集的模拟设置不同，通过这些数据流进行设备端主动学习使我们能够直接从真实世界中采样，以改善训练分布的覆盖面。然而，设备端计算能力有限，这意味着任何候选主动学习算法都应具有较低的计算占用，同时可靠。尽管有多种算法服务于姿态估计，它们要么使用大量计算来支撑最先进的结果，要么在低资源环境下缺乏竞争力。我们通过 VL4Pose（Visual Likelihood For Pose Estimation，用于姿态估计的视觉似然）来解决这一限制，这是一种通过分布外检测进行主动学习的第一性原理方法。我们从一个简单的前提开始：姿态估计器常常对分布外样本预测出不连贯的姿态。因此，我们能否识别模型已训练过的姿态分布，以找出模型不确定的不连贯姿态？我们的解决方案涉及通过一个简单参数化贝叶斯网络并经由最大似然估计来建模姿态。因此，在我们的框架内产生低似然的姿态即为分布外样本，使其成为标注的合适候选。我们还观察到两个有用的副作用：VL4Pose 原则上通过统一关节级和姿态级模糊性来产生更好的不确定性估计，以及 VL4Pose 在有限场景下执行姿态细化的无意但受欢迎的能力。我们在三个数据集上进行了定性和定量实验：MPII、LSP 和 ICVL，涵盖人体和手部姿态估计。最后，我们注意到 VL4Pose 简单、计算开销低且具有竞争力，使其适用于设备端主动学习等具有挑战性的任务。
引用
@article{arxiv.2210.06028,
title = {VL4Pose: Active Learning Through Out-Of-Distribution Detection For Pose Estimation},
author = {Megh Shukla and Roshan Roy and Pankaj Singh and Shuaib Ahmed and Alexandre Alahi},
journal= {arXiv preprint arXiv:2210.06028},
year = {2022}
}
备注
Accepted: BMVC 2022