AAAI论文首发：几何驱动的自监督的人体3D姿态估计方法

徐亦达团队和北理工李侃老师的共同博士生李杨在AAAI 的发表了一篇机器学习论文，本人得到徐老师授权在本站发布论文。

Geometry-driven Self-supervised Method for 3D Human Pose Estimation

论文第一作者：李杨

论文介绍

Geometry-driven Self-supervised Method for 3D Human Pose Estimation

几何驱动的自监督的人体3D姿态估计方法

论文摘要

近年来，基于深度学习的单目人体3D姿态估计吸引了越来越多研究人员的关注。深度神经网络的训练依赖于大量的标注数据，然而人体3D关节点的标注是一项成本昂贵的工作。为了解决此问题，本文提出了一种新的自监督的人体3D姿态估计方法，不同于现有的弱/自监督方法，我们的方法完全依靠于相机几何先验知识，无需任何额外的人体3D关节点标注。我们的方法总体上基于两阶段的框架：人体2D姿态估计和2D到3D姿态提升。为了达到自监督网络训练的目的，我们提出了变换重投影损失，利用多视角一致性信息构建损失函数训练2D到3D姿态提升网络。此外，我们使用人体2D关节点的置信度来整合不同视角的损失，以减轻由于遮挡导致的噪声的影响。最后，我们设计了一个用于训练的双分支网络结构，该网络可以在训练过程中保留人体3D姿态的尺度信息。我们在两个主流的人体3D姿态数据集，Human3.6M和MPI-INF-3DHP，上验证了我们方法的性能，实验结果表明我们方法的性能明显优于最近的弱/自监督方法。

算法框架

实验效果

在两个主流的人体3D姿态数据集，Human3.6M和MPI-INF-3DHP的效果

总结

论文下载：

https://github.com/leon532/Geometry-driven-Self-supervised-Method-for-3D-Human-Pose-Estimation/blob/master/AAAI2020/AAAI-LiY.7454.pdf

或者链接：https://pan.baidu.com/s/1EkTX1MsgYumluPIIJuga9w

提取码：dfzr

不多说了，徐亦达老师团队出品，必属精品，建议下载慢慢看。