摘要
姿态机提供了一种用于学习丰富隐式空间模型的序列预测框架。在本研究中，我们展示了一种系统性的设计方法，将卷积网络融入姿态机框架，以学习图像特征和图像依赖的空间模型，用于姿态估计任务。本文的主要贡献在于隐式建模结构化预测任务（如关节姿态估计）中变量之间的长程依赖关系。我们通过设计一种由卷积网络组成的序列架构来实现这一目标，该架构直接作用于前一阶段生成的信念图，逐步生成更加精确的部分位置估计，而无需进行显式的图模型推理。我们的方法解决了训练过程中梯度消失的典型难题，通过提供一个自然的学习目标函数来实施中间监督，从而补充反向传播的梯度并调节学习过程。我们在标准基准数据集（包括MPII、LSP和FLIC数据集）上展示了最先进的性能，并超过了其他竞争方法。