半监督的不受约束的头部在野外的姿势估计

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 现有的头部姿势估计数据集存在局限性,包括不切实际的合成数据,受约束的收集或带有手动注释的小规模自然图像.
• 完全监督的方法由于依赖广泛的标记数据而扎,这对于不受约束的野外场景来说很少.

研究的目的:

• 提出第一个半监督方法 (SemiUHPE),用于不受约束的头部姿势估计,利用丰富的未标记的头部图像.
• 为了适应半监督旋转回归对于无约束头部姿势估计的错误敏感和标签稀缺问题.

主要方法:

• 对于野生头部使用面积比不变的裁剪,在地标不可用时优于基于地标的对齐.
• 引入基于的动态过,在训练期间从伪标记数据中自适应地删除异常值.
• 开发了新的面向头部的强大增强:姿势不相关的切割遮蔽和姿势改变的旋转一致性.

主要成果:

• 半UHPE在前程和全程头部姿势估计的公共基准上明显优于现有方法.
• 废弃性研究验证了拟议的组件和方法的有效性.
• 该方法在诸如通用物体旋转回归和3D头部重建等相关任务中表现出强大的性能和多功能性.

结论:

• 半UHPE提供了一个强大的和有效的解决方案,通过使用未标记的数据来进行不受约束的头部姿势估计.
• 提出的技术,包括动态过和新增增量,增强了这一领域的半监督学习.
• 该方法的适应性扩展到其他计算机视觉任务,突出其可扩展性.