自然场景中的全身人体姿态估计
计算机视觉与模式识别
2020-07-24 v1
摘要
本文研究二维人体全身姿态估计任务，旨在定位包括面部、手部、身体和足部在内的整个人体上的密集关键点。由于现有数据集没有全身标注，先前的方法不得不组装在不同人脸、手和身体数据集上独立训练的不同深度模型，受制于数据集偏差和巨大的模型复杂度。为填补这一空白，我们引入 COCO-WholeBody，它在 COCO 数据集上扩展了全身标注。据我们所知，这是首个在整个人体上具有手动标注的基准，包含 133 个密集关键点，其中面部 68 个、手部 42 个、身体和足部 23 个。我们设计了一个名为 ZoomNet 的单网络模型，考虑完整人体的层次结构，以解决同一人不同身体部位的尺度变化问题。ZoomNet 在提出的 COCO-WholeBody 数据集上能够显著优于现有方法。大量实验表明，COCO-WholeBody 不仅可用于从头训练全身姿态估计的深度模型，还可作为许多不同任务（如面部关键点检测和手部关键点估计）的强大预训练数据集。该数据集公开于 https://github.com/jin-s13/COCO-WholeBody。
引用
@article{arxiv.2007.11858,
title = {Whole-Body Human Pose Estimation in the Wild},
author = {Sheng Jin and Lumin Xu and Jin Xu and Can Wang and Wentao Liu and Chen Qian and Wanli Ouyang and Ping Luo},
journal= {arXiv preprint arXiv:2007.11858},
year = {2020}
}
备注
To appear on ECCV2020