用于遮挡行人姿态估计的深度多任务网络

现有的大多数行人姿态估计研究并未考虑遮挡行人的姿态估计问题，原因在于相关汽车场景数据集中缺乏遮挡部位的标注信息。例如，广泛用于汽车场景行人检测的CityPersons数据集并未提供姿态标注，而另一非汽车场景数据集MS-COCO则包含人体姿态估计标注。针对这一问题，本文提出一种多任务框架，分别在上述两类数据分布上执行行人检测与实例分割任务，以提取行人特征。随后，通过一种无监督实例级域适应方法，利用编码器从两类分布的行人实例中学习具有姿态特性的特征表示。所提出的框架在行人姿态估计、行人检测与实例分割三项任务上均显著提升了现有技术水平。