XPose：可解释的人体姿态估计
计算机视觉与模式识别
2024-03-20 v1
摘要
当前的姿态估计方法主要集中于增强模型架构，往往忽视了全面理解模型决策背后原理的重要性。本文提出XPose，一个将可解释人工智能（XAI）原则融入姿态估计的新颖框架。这种整合旨在阐明每个关键点对最终预测的个体贡献，从而提升模型的透明度和可解释性。传统的XAI技术主要处理像分类这样的单目标任务。此外，XAI中常用的度量——Shapley值在姿态估计中的应用一直受到高昂计算需求的阻碍。为应对这些挑战，本工作引入了一个名为组Shapley值（GSV）的创新概念。该方法策略性地根据关键点之间的相互依赖关系将其组织成簇。在这些簇内，GSV精细地计算关键点的Shapley值，而对于簇间关键点，则选择更整体的组级评估。这种双层计算框架细致地评估了关键点对最终结果的贡献，优化了计算效率。基于对关键点交互的洞察，我们设计了一种新颖的数据增强技术，称为基于组的關鍵點移除（GKR）。该方法在训练阶段巧妙地移除个别关键点，刻意保留那些具有强相互连接的关键点，从而精炼模型对不可见关键点的预测能力。GKR在一系列标准方法上的实证验证证明了其有效性。GKR的成功展示了如何利用可解释人工智能（XAI）直接增强姿态估计模型。
引用
@article{arxiv.2403.12370,
title = {XPose: eXplainable Human Pose Estimation},
author = {Luyu Qiu and Jianing Li and Lei Wen and Chi Su and Fei Hao and Chen Jason Zhang and Lei Chen},
journal= {arXiv preprint arXiv:2403.12370},
year = {2024}
}