论文标题：PoseAug: A Differentiable Pose Augmentation Framework for 3D Human Pose Estimation

论文链接：https://arxiv.org/abs/2105.02465

代码链接：https://github.com/jfzhang95/PoseAug

作者单位：新加坡国立大学

PoseAug：新的自动姿态增强器，可学习通过可微分的操作来调整姿态的各种几何因子（如姿态，身体大小，视点和位置），PoseAug是通用的，可应用于各种3D人体姿态估计器，涨点明显！代码即将开源！

现有的3D人体姿态估计器对新数据集的泛化性能较差，这主要是由于训练数据中2D-3D姿态对的多样性有限。为了解决这个问题，我们提出了PoseAug，这是一个新的自动增广框架，可以学习将可用的训练姿态增加到更大的多样性，从而提高训练后的2D到3D姿势估计器的通用性。具体而言，PoseAug引入了一种新颖的姿态增强器，该姿态增强器学习通过可微分的操作来调整姿势的各种几何因子（例如，姿势，身体大小，视点和位置）。具有这种可区分的能力，可以将增强器与3D姿态估计器一起进行优化，并将估计误差作为反馈，以在线方式生成更多样和更难的姿势。此外，PoseAug引入了一种新颖的part感知运动链空间，用于评估局部关节角度的合理性，并相应地开发了判别模块，以确保增强姿势的合理性。与现有的离线增强方法相比，这些精心设计的功能使PoseAug可以生成更多种多样但似乎合理的姿势，从而可以更好地泛化姿势估计器。 PoseAug是通用的，易于应用于各种3D姿态估计器。大量实验表明，PoseAug对场景内和跨场景数据集都带来了明显的改进。值得注意的是，在跨数据集评估设置下，它在MPI-INF-3DHP上达到了88.6％的3D PCK，比以前基于最佳数据增广的方法提高了9.1％。

内容中包含的图片若涉及版权问题，请及时与我们联系删除