29.文献阅读笔记

简介

题目

DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation

作者

Leonid Pishchulin, Eldar Insafutdinov, Siyu Tang, Bjoern Andres, Mykhaylo Andriluka, Peter Gehler, and Bernt Schiele, CVPR, 2016.

原文链接

https://arxiv.org/pdf/1511.06645.pdf

DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation-CSDN博客

关键词

整数线性规划的联合检测和姿势估计公式。AFR-CNN（调整后的Fast R-CNN）

研究问题

真实世界图像中多人的关节式人体姿态估计任务。

多人物姿态估计所面临的主要挑战是：部分人物的部分可见性、人物边界框区域的显著重叠以及图像中人物数量的先验未知。因此，问题在于如何推断出人物的数量，将部分检测结果分配给人物实例，同时遵守几何和外观约束。

两阶段推理过程：首先检测，然后独立估计姿势。这种方法不适合人员距离较近的情况，因为它们允许同时将同一个身体部位候选者分配给多个人员假设。

研究方法

提出了一种基于 CNN （Fast R-CNN）的人体部位检测器生成的人体部位假设集的分割和标记表述方法。

人体部位检测器：AFR-CNN、调整后的Fast R-CNN。

alter it in two ways: 1) proposal generation and 2) detection region size.

（部位标记）全卷积架构，用于计算部位概率积分图：vgg为基础，VGG 感受野可以看到整个身体，从而区分身体部位。

分类：哪些部位属于同一个人

研究结论

能推断出场景中的人数，识别出被遮挡的身体部位，并区分相互靠近的人的身体部位。

1. 该方法能够处理未知人数，通过连接身体部位假设推断出未知人数。
2. 该方法合并初始候选部件集中的部件假设，从而有效地执行非最大抑制（NMS），使整个过程更加可靠。
3. 该问题采用整数线性规划（ILP）的形式。虽然该问题具有 NP 难度，但 ILP 形式便于计算边界和可行解，并具有经认证的最优性差距。

创新不足

由于使用了自适应的fast R-CNN进行人体的检测，同时又使用ILP进行人体姿态估计，所以计算复杂度非常大

额外知识

ILP：【精选】【数学建模笔记】2.整数规划_Imagine_cc的博客-CSDN博客