摘要
外观线索（appearance cue）和约束线索（constraint cue）在人体姿态估计中均至关重要。然而，现有大多数方法倾向于过度依赖前者而忽视后者。为此，本文提出一种名为“信息丢弃增强”（Augmentation by Information Dropping, AID）的新方法，以验证并解决这一困境。在AID作为前提条件的基础上，我们进一步设计了定制化的训练策略，该策略通过分析训练过程中损失与性能的变化模式，从信息供给的角度出发，优化训练过程。实验结果表明，作为一种与模型无关的方法，AID在不同输入尺寸、网络架构、主干网络（backbone）、训练与测试集下，均能有效提升多种前沿人体姿态估计方法的性能，涵盖自底向上（bottom-up）与自顶向下（top-down）两种范式。在广泛使用的COCO人体姿态估计测试集上，AID在自顶向下范式中稳定提升约0.6 AP，在自底向上范式中提升最高达1.5 AP；在更具挑战性的CrowdPose数据集上，性能提升超过1.5 AP。由于AID显著突破了人体姿态估计任务的性能边界，并取得了新的最先进（state-of-the-art）水平，我们期望AID能成为训练人体姿态估计器的标准配置。相关源代码将公开发布，以促进后续研究。