利用野外多视角图像进行弱监督3D人体姿态学习
计算机视觉与模式识别
2020-03-18 v1 机器学习
摘要
单目3D人体姿态估计在野外环境中的一个主要挑战，是获取包含带有精确3D姿态标注的非受限图像的训练数据。本文通过提出一种不需要3D标注、并从易于在野外环境中获取的无标签多视角数据学习估计3D姿态的弱监督方法来应对该挑战。我们提出了一种新颖的端到端学习框架，可利用多视角一致性进行弱监督训练。由于多视角一致性易出现退化解，我们采用2.5D姿态表示并提出了一种仅当训练模型在所有相机视角下的预测一致且合理时才能最小化的新颖目标函数。我们在两个大规模数据集（Human3.6M和MPII-INF-3DHP）上评估了所提方法，其在半监督/弱监督方法中达到了最先进性能。
引用
@article{arxiv.2003.07581,
title = {Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the Wild},
author = {Umar Iqbal and Pavlo Molchanov and Jan Kautz},
journal= {arXiv preprint arXiv:2003.07581},
year = {2020}
}
备注
CVPR 2020