在多人,多视图场景中通过无监督域调整与掉队歧视器进行增强的3D姿势估计

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 机器人技术 机器人技术 机器人技术

背景情况:

• 数据驱动的姿势估计通常会因为训练和测试数据之间的分布不匹配而失败.
• 现实世界的场景经常表现出域移动,降低了多视图,多人 3D 姿势估计的性能.

研究的目的:

• 为了提高多视图,多人 3D 姿势估计的跨领域稳定性.
• 为了解决由姿势估计领域转移引起的性能退化.

主要方法:

• 引入了一个域调整组件,以提高目标域的准确性.
• 整合了可靠的,针对目标领域量身定制的模型的脱落机制.
• 运用可转移参数 通过对抗性训练,学习保留域不变参数,基于H-分歧和彩票假设.

主要成果:

• 在Panoptic,Shelf和Campus数据集上进行评估,以评估领域转移的有效性.
• 在两个不同的领域转移场景中证明了成功的表现.
• 在跨领域的3D姿势估计中实现了更高的准确性和可靠性.

结论:

• 拟议的方法有效地提高跨领域的稳定性在多视图,多人 3D 姿势估计.
• 域调整,脱学和可转移学习的结合减轻了域转移导致的性能下降.
• 这种方法对现实世界的应用有希望,因为数据分布不同.