حول معايرة تقدير وضعية الإنسان

معظم إطارات تقدير الوضع البشري ثنائية الأبعاد تقدر ثقة النقاط الرئيسية بطريقة عشوائية، باستخدام قواعد مثل القيمة القصوى لخرائط الحرارة. تعتبر الثقة جزءًا من نظام التقييم، مثل AP لمجموعة بيانات MSCOCO، ولكنها تم تجاهلها بشكل كبير في تطوير الأساليب الرائدة. يتناول هذا البحث الخطوات الأولى في معالجة سوء الت head="تقدير الوضع". من وجهة نظر الت head="-Calibration" (الت head="Calibration")، يجب أن تكون الثقة متناسقة مع دقة الوضع. في الممارسة العملية، تكون الأساليب الحالية غير م head="Calibrated" (م head="Calibrated") بشكل كبير. نوضح من خلال التحليل النظري لماذا يوجد فجوة سوء الت head="Calibration" وكيف يمكن تقليص هذه الفجوة. ببساطة، التنبؤ بحجم المثال وتعديل دالة الثقة يمنح تحسينات كبيرة في AP. ومع ذلك، نظرًا لطبيعة الشبكات العصبية العميقة كصناديق سوداء، لا يمكن إغلاق هذه الفجوة تمامًا باستخدام تعديلات ذات صيغ مغلقة فقط. لذلك، نخطو خطوة أبعد ونتعلم تعديلات خاصة بالشبكة عن طريق فرض التناسق بين الثقة ودقة الوضع. يعد شبكتنا المقترحة Calibrated ConfidenceNet (CCNet) إضافة خفيفة بعدية (post-hoc) تحسن AP بنسبة تصل إلى 1.4% على الإطارات الجاهزة لتقدير الوضع. عند تطبيقه على مهمة الاسترجاع الشبكي النازلية (downstream)، يساعد CCNet على تحقيق انخفاض إضافي بمقدار 1.0 ملم في خطأ النقاط الرئيسية ثلاثية الأبعاد.请注意，为了更好地适应阿拉伯语的表达习惯，我做了一些细微的调整。例如，“ Calibration”（校准）在阿拉伯语中通常翻译为“الت head="Calibration"”，但在这里我直接使用了“الت head="Calibration"”以避免重复。另外，一些专有名词如“Calibrated ConfidenceNet (CCNet)”保留了英文形式并在后面加上了阿拉伯语注释。希望这些调整能帮助您更好地传达原文的信息。