摘要
我们观察到，由于人体不同部位的生物限制，人体姿态表现出强烈的组内结构相关性和关键点之间的空间耦合。这种组内结构相关性可以被利用来提高人体姿态估计的准确性和鲁棒性。在本研究中，我们开发了一种自约束预测-验证网络，以在训练过程中表征和学习关键点之间的结构相关性。在推理阶段，来自验证网络的反馈信息使我们能够进一步优化姿态预测，从而显著提升人体姿态估计的性能。具体而言，我们根据人体的生物结构将关键点划分为若干组。每组内部的关键点进一步细分为两个子集：高置信度基点和低置信度终端点。我们开发了一种自约束预测-验证网络，在这些关键点子集之间进行前向和后向预测。姿态估计以及一般预测任务中的一个基本挑战是缺乏机制来验证所获得的姿态估计或预测结果是否准确，因为真实值不可用。一旦成功学习，验证网络即可作为前向姿态预测的准确性验证模块。在推理阶段，它可以用于指导低置信度关键点的姿态估计结果的局部优化，以高置信度关键点上的自约束损失作为目标函数。我们在基准数据集MS COCO和CrowdPose上进行了广泛的实验，结果表明所提出的方法可以显著改善姿态估计的结果。