基于一致性训练的深度引导半监督3D手部姿态估计性能边界探索

尽管近年来基于深度信息的三维手部姿态估计方法取得了显著进展，但其仍需大量标注训练数据才能达到高精度。然而，获取此类数据既成本高昂又耗时费力。为应对这一挑战，我们提出一种半监督方法，显著降低对标注数据的依赖。所提方法由两个结构相同的网络协同训练而成：教师网络与学生网络。教师网络利用现有的标注数据与未标注数据进行联合训练，通过一种损失函数设计，促使模型在一组仿射变换下保持估计结果的等变性，从而有效利用未标注样本。学生网络则基于教师网络为未标注样本生成的伪标签进行训练。在测试阶段进行推理时，仅使用学生网络。大量实验表明，该方法在性能上显著优于当前最先进的半监督方法。