Sep, 2023

去噪和选择伪热力图用于半监督人体姿势估计

PDF
TL;DR我们提出了一种新的半监督学习设计，用于人体姿势估计，通过增强双学生框架，引入去噪方案生成可靠的伪热图作为无标签数据学习的目标，并通过估计的交叉学生不确定性从伪热图中选择学习目标。我们在 COCO 基准测试上进行了多个评估设置，结果显示我们的模型在极低数据情况下优于以前最先进的半监督姿势估计器，例如，只有 0.5K 标记图像时，我们的方法能够超越最好的竞争者 7.22 mAP （绝对改进量为 + 25%），我们还证明了我们的模型可以从非标签数据中有效学习，以进一步提升其泛化和性能。
semi-supervised learninghuman pose estimationdual-student frameworkpseudo-heatmapsunlabeled data
发现论文，激发创造
  • 半监督和弱监督的人体姿势估计

    本文提出了三种半监督和弱监督学习方案，通过利用卷积神经网络对人体姿态进行估计，实现了对无人类注释的训练图像中候选姿态和真正正面姿态的选择和提高。方案基于姿态聚类和离群姿态检测，可以选择更多的真正姿态，并在大规模人体姿态数据集上得到了验证。

    Jun, 2019

  • 半监督 2D 人体姿态估计中的折叠问题实证研究

    该研究介绍了一种稳定半监督学习方法的做法，该方法通过相互教学的方式学习可靠的伪标签，避免了训练过程中出现的高度不平衡的类分布问题。

    Nov, 2020

  • 自适应关键点屏蔽的半监督 2D 人体姿态估计

    人体姿势估计是计算机视觉中的基本且具有挑战性的任务。本文提出了一种自适应关键点遮罩方法和双分支数据增广方案，用于改进半监督姿势估计的准确性和泛化能力，超过了现有的半监督姿势估计方法。

    Apr, 2024

  • 基于热图引导的自适应关键点排序的底层人体姿态估计

    本文介绍了一种基于向下拼接的人体姿态估计框架，其中通过关键点检测和聚类两个阶段进行处理。在该框架下，本文提出了多种方案，包括使用关键点热图进行像素级别的关键点回归、采用像素级别空间变换网络学习适应性表示处理尺度和方向差异并提高关键点回归质量，以及使用联合形状和热值评分方案提升预测姿态的可靠性，最终获得了最先进的人体底部向上姿态估计结果。

    Jun, 2020

  • 通过重新审视数据增强和一致性训练来提升半监督 2D 人体姿势估计

    挖掘未标记图像的额外使用能够有效地提高 2D 人体姿态估计器的准确性，通过数据增强和一致性训练方法，我们提出了一种简洁紧凑的半监督学习方法，与先前的方法相媲美，并在公共数据集中带来了显著的改进。

    Feb, 2024

  • 使用 2D 边缘热图进行 3D 人体姿态估计

    本文介绍了一种改进的三维人体姿势预测模型 MargiPose，它使用深度神经网络和增强软最大值方案，可以在保持可微性的同时，从单眼 RGB 图像中预测二维边缘热图，并在公开的三维人体姿势估计数据上实现了最新的准确性。

    Jun, 2018

  • 用于单阶段多人姿态估计的混合模型

    本研究提出了一个称为 HybridPose 的混合模型，通过最大化两种方法的优点来互相克服它们的缺点，同时引入自相关损失来注入关键点坐标和可见性之间的空间依赖性，从而在不降低姿势估计准确性的情况下展示了关键点的可见性。

    May, 2023

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 使用热图加权损失的轻量级人体姿态估计

    本文提出了一种减轻资源负荷、加速推理速度的方法，是通过在 SimpleBaseline 的反卷积头网络中引入注意机制来利用原始、跨层次和内层次信息以提高精度，并采用称为 heatmap 加权损失的新型损失函数，生成热图上每个像素的权重，使模型更加注重关键点，实验证明我们的方法在性能和资源和推理速度之间实现了平衡，具有不错的适用性。

    May, 2022

  • 野外半监督无约束头部姿态估计

    通过利用大量未标记的野外头部图像，我们提出了第一个半监督的无约束头部姿势估计（SemiUHPE）方法，该方法可以应对多样性和复杂性较高的头部姿势领域，并使用动态熵过滤来自适应地去除未标记的异常值，并通过两种新的面向头部的强增强技术进一步提高了性能。

    Apr, 2024