（哥俩好）Multiview Bootstrapping：多视角采集图像，破解手部细节数据标注难题

最新推荐文章于 2024-05-03 14:24:26 发布

Abandon_first

最新推荐文章于 2024-05-03 14:24:26 发布

阅读量499

点赞数 1

分类专栏：人体姿态文章标签：神经网络计算机视觉

本文链接：https://blog.csdn.net/Abandon_first/article/details/115429264

版权

人体姿态专栏收录该内容

7 篇文章 1 订阅

订阅专栏

Hand Keypoint Detection in Single Images using Multiview Bootstrapping，2017

文章目录

自说自话：

这篇文章主要采用多个相机拍摄，解决手部细节数据难以标注的问题（手指灵活、容易遮挡）；
采用迭代地逐步丰富训练样本、优化模型的策略，从初始的 basic 检测器逐步提升表现；
我自己觉得这个策略不好的地方就是复现的门槛更高了，因为有硬件（多角度图像采集设备），还要做 3D 数据之间的映射，数据逐步丰富的过程也是严重依赖人工调整，对个人而言不太玩得起，不仅仅只需要电脑了，还需要团队和场地。场地可以看下图，是一个专门的房间：

在这里插入图片描述

Abstract

使用多目视觉系统协助训练细粒度的手部关键点检测， Multiview bootstrapping，作者称其为多视角引导。
首先，进行较为粗糙的、初始的关键点检测，来生成含有噪声的检测结果作为 label；其次，使用 multiview geometry 进行 3D 三角剖分，或者被标记为 outlier；最后，reprojected 之后的信息被当做 label 丰富训练集训练更优的检测器。
上述过程迭代地进行，每次迭代都会生成更多的训练数据。在给定模型目标的前提下，还推导了达成该目标所需要的最小视角数量。
输出的模型可以在单张 RGB 图像上生成 2D 关键点检测（如图 1 左图所示），还可以通过三角剖分输出 3D 信息（如图 1 右图所示），效果堪比用 depth 传感器的方法。

在这里插入图片描述

Introduction

手作为人体的一部分充当着极其重要的角色，但是遗憾的是，不同于人脸或者肢体，手部的详细标注数据极其得少。因为各种原因，手部容易出现遮挡，这对人为标注都造成了很大的困扰。如下图 2 所示：

在这里插入图片描述
本文提出了一种解决这个困境的方法/策略/流程，作者称其为 Multiview bootstrapping，基本出发点为，即使在某个角度出现了某些信息的遮挡，在其他角度，这些信息是可以被观察到的（多目视觉）。整个策略的流程分为以下几个步骤：

通过较小的标注数据集训练一个初始检测器，检测一些有良好视角的手部关键点，并且通过鲁棒的 3D 三角剖分来滤出一些错误的检测；
被遮挡的部分信息未被初始检测器成功检测到，这部分通过 reprojection 3D 手部信息来进行标注；
前面直接检测得到的 + 补充标注的作为扩充后的训练集，继续用于训练检测器，如此迭代进行，逐步提升检测器性能。
在多视角应用这个检测器还可以重建 3D 信息。

Related Work

Multiview Bootsrapped Training

这部分原文是用数学符号来讲的，但其实还是在反复说明摘要以及介绍中的过程。

手部关键点检测器可以看作是一个映射 $d(\cdot)$ ，将输入的三维图像 $\in \mathcal R ^{w * h*3}$ ，映射为 P 个（种/类）关键点（比如右手拇指尖儿，而且同一张图，某一类关键点最多只能有一个）的位置信息 $x_p \in \mathcal R^2$ ，位置信息是携带了 confidence $c_p$ 的，这个过程连起来就是： $\rightarrow \{(x_p, c_p) for p \in [1, ..., P]\}$ ；
刚刚说的输入图像 $I$ 在本文中是按照 frame 来衡量的（因为同一个 pose 同时被很多个相机采集，同一个 pose 某个时刻被多个相机采到多张图片的就叫一个 frame，一个 frame 中的所有图片包含的实际 3D 信息一致）；
此时初始标注的训练集叫 $\mathcal{T_0}$ ，使用这个训练集得到初始的检测器 $d_0$ ；
刚刚说了，同一个 pose 是有多个相机一起采集的，所以 $d_0$ 检测得不好的地方，可以通过 3D 重建来恢复出来，得到新的数据集 $\mathcal T_1$ ，新数据集和之前的数据集合并在一起，使得训练集质量整体得以提升，继而训练更好的检测器 $d_1$ 。

上述这个过程，可以通过图 3 来说明：

在这里插入图片描述

图 3 中所有的子图都是同一个 pose，只是来自于不同摄像机；
图 a 展示的视角（有两个）比较好，所以初始的检测器能够比较好地检测到正确合适的结果；
通过图 a 两个视角（或者更多个视角）可以 3D 重建出来这个 pose 的 3D 信息（双目视觉或者多目视觉），得到图 b；
图 c 中是初始检测器的检测结果，可以看到，这个角度比较刁钻，一开始检测器并没有给出很好的结果；
针对图 c 这种情况，结合图 b 得到的 3D 信息，将其映射到图 c 对应的坐标系中，得到图 d，“补充标注”数据；
图 d 汇总到整体的训练集中，用于迭代训练，得到更好的检测器，之后可以成功检测到原本不能检测的关键点，也就是图 e 所示。

下图 4 是手指关键点示意图：
在这里插入图片描述

具体算法实施时，要考虑到可能有些 pose/frame 很难正确地 3D 重建（遮挡极其严重，多个视角都没有明确清晰地展示关键点信息），这种 pose/frame 就会通过打分被删除掉，只有分数满足要求的 pose/frame 才会保存其对应的 V 个视角。所以会多一个 scoring and sorting triangulated frames 的步骤。算法流程如下，其中标红的 3 个步骤也就是论文接下来讲述的 3 个步骤。

在这里插入图片描述