QQ Group: 428014259
Tencent E-mail:[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/83389211
作者:Zhe Cao, Tomas Simon, Shih-En Wei, Yaser Sheikh
单位:The Robotics Institute Carnegi Mellon University
0 摘要
提出部位亲和场(Part Affinity Fields),其是一种非参数表征,用于联系身体部位。
1 介绍
叙述top-down方法的基本流程以及局限。指出bottom-up方法的某些好处以及局限。分析了两种基本bottom-up方法,并且本文在bottom-up方法上提出部位相似场,即二维向量场集合,在图像域对limbs的位置和方向进行编码。
2 方法
作者方法的整体pipeline如图1所示。首先,一个前向网络同时预测身体部位位置的二维置信度图集合((b)图),和部位关系的二维向量场集合(©图)。部位亲和场如图2所示。图1(d)为根据部位亲和场好部位置信度图进行贪婪推理,最后输出解析结果,如图1(e)。
2.1 同时检测和关联
如图3所示,为同时进行检测和关联的网络结构,很明显就是类似于CPM[2]。网络结构可以分裂为两条分支,其一为上分支,用于预测置信度图,其二为下分支,用于预测亲和场。两条分支均为迭代预测结构,即分为多个阶段,后续的阶段逐步优化(refine)前级的预测结果。另外,每个阶段均有中继监督,即深度监督机制。
RGB图像首先经过一个由VGG-19前10层预训练权重组成的卷积网络,提取特征图 F \bold{F} F,即图3中的 F F F。 F F F送入两条分支。在第一阶段,如图3所示,上分支预测检测置信度图 S 1 = ρ 1 ( F ) \bold{S}^{1}=\rho^{1}(\bold{F}) S1=ρ1(F),下分支预测部位亲和场 L 1 = ϕ 1 ( F ) \bold{L}^{1}=\phi^{1}(\bold{F}) L1=ϕ1(F)。在后续阶段,如图3所示,上分支的 F