آلة الوضع التوافقي

تقدم آلات الوضع (Pose Machines) إطارًا تتابعيًا للتنبؤ لتعلم نماذج فضائية ضمنية غنية. في هذا العمل، نوضح تصميمًا منهجيًا لكيفية دمج شبكات التحويل (Convolutional Networks) في إطار آلة الوضع لتعلم خصائص الصور ونماذج فضائية تعتمد على الصورة لمهمة تقدير الوضع. يكمن إسهام هذه الورقة في تعلم الارتباطات الطويلة المدى بين المتغيرات في مهام التنبؤ المنظمة مثل تقدير الوضع المفصل (Articulated Pose Estimation). نحقق ذلك من خلال تصميم هندسة تتابعية تتكون من شبكات التحويل التي تعمل مباشرة على خرائط الإيمان (Belief Maps) من المراحل السابقة، مما ينتج تقديرات متزايدة الدقة لمواقع الأجزاء، دون الحاجة إلى استدلال بأسلوب النموذج الرسومي (Graphical Model-style Inference). يعالج نهجنا الصعوبة المميزة لتلاشي التدرجات أثناء التدريب بتقديم دالة هدف للتعلم تفرض رقابة وسطى، مما يعيد تزويد التدرجات المرتدة ويضبط عملية التعلم. نثبت أداءً عالي المستوى وتفوقنا على الأساليب المنافسة في مقاييس معاييرية مثل مجموعات بيانات MPII وLSP وFLIC.