当人体姿态估计遇见鲁棒性：对抗算法与基准
计算机视觉与模式识别
2021-05-14 v1
摘要
人体姿态估计是计算机视觉中基础且具有挑战性的任务，旨在定位人体解剖学关键点。然而，不同于对人类视觉而言对各种数据损坏（如模糊和像素化）具有鲁棒性，当前的姿态估计器很容易被这些损坏所混淆。本工作通过构建严格的鲁棒基准（称为COCO-C、MPII-C和OCHuman-C）来评估当前先进姿态估计器的弱点，并提出一种称为AdvMix的新算法以提升其在不同损坏下的鲁棒性，从而全面研究并解决该问题。我们的工作具有若干独特优势。(1) AdvMix与模型无关，且适用于广泛的姿态估计模型。(2) AdvMix由对抗增强与知识蒸馏组成。对抗增强包含两个以对抗方式联合且竞争训练的神经网路模块，其中生成器网络混合不同损坏图像以混淆姿态估计器，通过从更难样本中学习来提升姿态估计器的鲁棒性。为补偿对抗增强带来的噪声模式，应用知识蒸馏将干净姿态结构知识迁移至目标姿态估计器。(3) 大量实验表明，AdvMix显著提升了在广泛损坏下姿态估计的鲁棒性，同时在各种具挑战性的基准数据集上保持干净数据上的精度。
引用
@article{arxiv.2105.06152,
title = {When Human Pose Estimation Meets Robustness: Adversarial Algorithms and Benchmarks},
author = {Jiahang Wang and Sheng Jin and Wentao Liu and Weizhong Liu and Chen Qian and Ping Luo},
journal= {arXiv preprint arXiv:2105.06152},
year = {2021}
}
备注
Accepted by CVPR 2021