面向野外环境的3D人体姿态估计：一种弱监督方法

本文研究了在自然环境下的三维人体姿态估计任务。该任务具有挑战性，因为缺乏训练数据，现有的数据集要么包含自然环境中的二维姿态图像，要么包含实验室环境中的三维姿态图像。我们提出了一种弱监督迁移学习方法，该方法在一个统一的深度神经网络中使用混合的二维和三维标签，并采用了两阶段级联结构。我们的网络通过一个最先进的二维姿态估计子网络与一个三维深度回归子网络相结合来增强性能。与以往分阶段独立训练两个子网络的方法不同，我们的训练是端到端的，并充分利用了二维姿态估计和深度估计子任务之间的相关性。通过共享表示，深层特征得到了更好的学习。这样一来，受控实验室环境中的三维姿态标签就被迁移到了自然环境图像中。此外，我们引入了一个三维几何约束来规范三维姿态预测，在没有真实深度标签的情况下，这一约束非常有效。我们的方法在二维和三维基准测试中均取得了有竞争力的结果。