徐亦達(dá)團(tuán)隊(duì)和北理工李侃老師的共同博士生李楊在AAAI 的發(fā)表了一篇機(jī)器學(xué)習(xí)論文，本人得到徐老師授權(quán)在本站發(fā)布論文。

Geometry-driven Self-supervised Method for 3D Human Pose Estimation

論文第一作者：李楊

論文介紹

Geometry-driven Self-supervised Method for 3D Human Pose Estimation

幾何驅(qū)動(dòng)的自監(jiān)督的人體3D姿態(tài)估計(jì)方法

論文摘要

近年來，基于深度學(xué)習(xí)的單目人體3D姿態(tài)估計(jì)吸引了越來越多研究人員的關(guān)注。深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練依賴于大量的標(biāo)注數(shù)據(jù)，然而人體3D關(guān)節(jié)點(diǎn)的標(biāo)注是一項(xiàng)成本昂貴的工作。為了解決此問題，本文提出了一種新的自監(jiān)督的人體3D姿態(tài)估計(jì)方法，不同于現(xiàn)有的弱/自監(jiān)督方法，我們的方法完全依靠于相機(jī)幾何先驗(yàn)知識，無需任何額外的人體3D關(guān)節(jié)點(diǎn)標(biāo)注。我們的方法總體上基于兩階段的框架：人體2D姿態(tài)估計(jì)和2D到3D姿態(tài)提升。為了達(dá)到自監(jiān)督網(wǎng)絡(luò)訓(xùn)練的目的，我們提出了變換重投影損失，利用多視角一致性信息構(gòu)建損失函數(shù)訓(xùn)練2D到3D姿態(tài)提升網(wǎng)絡(luò)。此外，我們使用人體2D關(guān)節(jié)點(diǎn)的置信度來整合不同視角的損失，以減輕由于遮擋導(dǎo)致的噪聲的影響。最后，我們設(shè)計(jì)了一個(gè)用于訓(xùn)練的雙分支網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)可以在訓(xùn)練過程中保留人體3D姿態(tài)的尺度信息。我們在兩個(gè)主流的人體3D姿態(tài)數(shù)據(jù)集，Human3.6M和MPI-INF-3DHP，上驗(yàn)證了我們方法的性能，實(shí)驗(yàn)結(jié)果表明我們方法的性能明顯優(yōu)于最近的弱/自監(jiān)督方法。

算法框架

實(shí)驗(yàn)效果

在兩個(gè)主流的人體3D姿態(tài)數(shù)據(jù)集，Human3.6M和MPI-INF-3DHP的效果

總結(jié)

論文下載：

https://github.com/leon532/Geometry-driven-Self-supervised-Method-for-3D-Human-Pose-Estimation/blob/master/AAAI2020/AAAI-LiY.7454.pdf

或者鏈接：https://pan.baidu.com/s/1EkTX1MsgYumluPIIJuga9w

提取碼：dfzr

不多說了，徐亦達(dá)老師團(tuán)隊(duì)出品，必屬精品，建議下載慢慢看。

備注：公眾號菜單包含了整理了一本AI小抄，非常適合在通勤路上用學(xué)習(xí)。

往期精彩回顧那些年做的學(xué)術(shù)公益-你不是一個(gè)人在戰(zhàn)斗適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)在線手冊備注：加入本站微信群或者qq群，請回復(fù)“加群”加入知識星球（4500+用戶，ID：92416895），請回復(fù)“知識星球”

喜歡文章，點(diǎn)個(gè)在看

與50位技術(shù)專家面對面20年技術(shù)見證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的AAAI论文首发：几何驱动的自监督的人体3D姿态估计方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。