近年来,基于热图的算法一直占据人体姿态估计算法的主导地位。热图解码(即将热图转换为人体关节点坐标)算法是这类算法的基本环节。而当前的热图解码算法并没有考虑系统误差的影响,因此,提出一种基于误差补偿的人体姿态估计热图解码算...近年来,基于热图的算法一直占据人体姿态估计算法的主导地位。热图解码(即将热图转换为人体关节点坐标)算法是这类算法的基本环节。而当前的热图解码算法并没有考虑系统误差的影响,因此,提出一种基于误差补偿的人体姿态估计热图解码算法。首先在训练过程中评估模型的误差补偿因子,然后在推理阶段用误差补偿因子补偿人体关节点的预测误差,这些误差同时包括系统误差和随机误差。在不同的网络架构、输入分辨率、评估指标和数据集上进行的大量实验的结果表明与目前最佳的热图解码算法相比,所提算法获得了显著的精度增益。具体来说,所提算法使HRNet-W48-256×192模型在COCO(Common Objects in Context)数据集上的平均精度(AP)提升了2.86个百分点,使ResNet-152-256×256模型的相对于头部的正确点百分比指标在MPII(Max Planck Institute for Informatics)数据集上提升了7.8个百分点。此外,由于所提算法不像现存算法需要采用高斯平滑预处理和求导操作,因此速度约为当前最佳算法的2倍。可见,所提算法对于开展高精度、高速度的人体姿态估计具有实际的应用价值。展开更多
文摘近年来,基于热图的算法一直占据人体姿态估计算法的主导地位。热图解码(即将热图转换为人体关节点坐标)算法是这类算法的基本环节。而当前的热图解码算法并没有考虑系统误差的影响,因此,提出一种基于误差补偿的人体姿态估计热图解码算法。首先在训练过程中评估模型的误差补偿因子,然后在推理阶段用误差补偿因子补偿人体关节点的预测误差,这些误差同时包括系统误差和随机误差。在不同的网络架构、输入分辨率、评估指标和数据集上进行的大量实验的结果表明与目前最佳的热图解码算法相比,所提算法获得了显著的精度增益。具体来说,所提算法使HRNet-W48-256×192模型在COCO(Common Objects in Context)数据集上的平均精度(AP)提升了2.86个百分点,使ResNet-152-256×256模型的相对于头部的正确点百分比指标在MPII(Max Planck Institute for Informatics)数据集上提升了7.8个百分点。此外,由于所提算法不像现存算法需要采用高斯平滑预处理和求导操作,因此速度约为当前最佳算法的2倍。可见,所提算法对于开展高精度、高速度的人体姿态估计具有实际的应用价值。