【2019-CVPR-3D人体姿态估计】RepNet: Weakly Supervised Training of an Adversarial Reprojection Network for ..

RepNet: Weakly Supervised Training of an Adversarial Reprojection Network

for 3D Human Pose Estimation

题目：《用于3DHPE的对抗性重投影网络的弱监督训练》

作者：Bastian Wandt and Bodo Rosenhahn

          Leibniz Universität Hannover

          Hannover, Germany

          wandt@tnt.uni-hannover.de

来源：CVPR 2019

研究内容:

        单目-单人-弱监督

现有技术：

         常用技术：神经网络（但对未知运动和相机位置的推广不好-泛化性能差）

        本文：在神经网络中推出3D POSE，忽略由2D投影至3D的过程，以此解决过拟合问题，允许弱监督训练，避免对训练数据的记忆。

本文架构：

RepNet

        RepNet网络分为三部分：

             ①生成器网络：2D观测生成匹配的3D姿态，学习输入到输出的映射

             ②判别器网络：放宽对训练特定数据3D姿态，学习3D资源分布

             ③重投影网络：预测相机参数，将其估计3D姿态投影至2D姿态

         （注：①区分GT与生成样本，提出用于鉴别评估鉴别器质量的KCS（正向链接运动）启发关节长度+角度；在①②中，当生成器样本被判别器预测为真时，鉴别器参数被固定，生成器网络与鉴别器网络交替训练-作为终止条件）

网络结构：

数据集：

（1）Human 3.6M数据集：

        用于训练网络，包含2D-3D直接的对应关系，但在本文中以弱监督为特点，忽略2D-3D之间的对应关系

        评价性能：MPJPE;PA-MPJPE;PCK3D

（2）MPI-INF-3DHP数据集

        用于评估算法

        评价性能：3DPCK;AUC;MPJPE

（3）LSP数据集

        对异常姿势和相机角度，其姿势种类多。计算上臂、下臂和腿骨长度，对于每个关节设置最大误差，对身体左右两侧，所有匹配骨骼的绝对值差求和计算出对称误差在一个合理范围

在高斯噪声范围（0~N）在GT 2D关节对鉴别器提升选出最优结果。