预训练提高了姿态估计的领域外鲁棒性

神经网络是姿态估计中非常有效的工具。然而，与其他计算机视觉任务一样，对于域外数据的鲁棒性仍然是一个挑战，尤其是在现实应用中常见的小规模训练集的情况下。本文研究了三种架构类别（MobileNetV2、ResNet 和 EfficientNet）在姿态估计中的泛化能力。我们开发了一个包含30匹马的数据集，用于“域内”和“域外”（未见过的马）基准测试——这是当前人体姿态估计基准测试尚未直接解决的一个关键测试。研究表明，如果首先在ImageNet上进行预训练，那么在ImageNet上表现更好的架构在域内和域外数据上的性能也更好。此外，我们的研究还表明，在不同动物种类之间，表现更好的ImageNet模型具有更强的泛化能力。进一步地，我们引入了Horse-C，这是一个新的针对姿态估计常见损坏情况的基准测试，并确认预训练同样可以提高在这种领域迁移情境下的性能。总体而言，我们的结果证明了迁移学习对域外鲁棒性的益处。