Cascaded Pose Regression

摘要

我们提出一种快速和准确的称为级联姿态回归（CPR）算法来计算图像中的对象的2D姿态。 CPR算法逐步细化随意指定的初始姿态，其中每一次姿态修正由不同的回归器确定。 每一个回归器执行简单图像测量依赖于先前回归器的输出结果; 整个系统从人工注释的训练数据集中自动学习。 CPR不限于刚性变换：“姿态”是对象外观的任何参数化变化，例如可变形和关节对象的自由度。 我们比较CPR与标准回归技术和人工标定（从冗余的人类注释计算）。 在三个不同的数据集（小鼠，脸，鱼）上的实验表明CPR是快速的（每个姿势估计2-3ms），准确（接近手工标定），并且容易从少量的标记数据训练。

介绍

检测和定位是视觉的最有用的功能之一。检测包括给出问题“是图像中的对象/类别x”的一位答案：本地化是一个更微妙的问题：在其最简单和最流行的形式[11]中，它包括识别最小矩形区域包含相关对象的图像。这对于图像中的主要几何自由度是平移和缩放的类别（例如前脸和行人）是完全足够的。更一般地，人们希望恢复姿态，即影响对象的图像的多个参数。最常见的姿态是指刚性物体的几何变换[23]，包括铰接物体的配置，例如人体四肢或车辆布局[21]。更广泛地说，姿态是物体外观的任何系统的和可参数化的变化[5]。计算对象的姿态有两个不同的原因：（1）由于对象可变性，执行检测的唯一方式是显式地计算和分解姿态，（2）姿态是视觉模块的期望输出。 在这项工作中，我们对后者感兴趣：我们希望估计物体的粗略初始位置的姿势，例如跟踪器提供的姿势。

在位置和尺度上对象定位的主要方法是使用“滑动窗口”，即重复二进制分类任务，“是位置y处的对象x”，用于姿态参数的细粒度采样。 虽然这产生了大量的测试，滑动窗口方法可以通过级联[28]，距离变换[13]，分支界限搜索[20]和粗略到精细的方法[15]变得更高效。 这样的方法可以通过重复回答形式为“在具有姿势θ的位置y处的对象x”的查询而扩展到更复杂的姿态概念，对于姿态θ的每个分区有一个查询。 例如，对于面部检测，通常为不同水平的平面外旋转训练单独的分类器[28]。 当然，这导致任务的组合爆炸，虽然有效的搜索策略可以帮助[16]，最终这种方法可能无法扩展到更复杂的概念的姿势。

在这项工作中，给定对对象位置的粗略估计，我们直接回答问题“什么是对象x的姿势θ？”，恢复姿势而不执行潜在的昂贵和分支搜索。原则上，标准回归技术完全如此[1