PoseFix: Modellunabhängiges allgemeines Netzwerk zur Verfeinerung der menschlichen Pose

Die Schätzung von Mehrpersonen-Posen aus einem 2D-Bild ist eine wesentliche Technik für das Verständnis menschlichen Verhaltens. In dieser Arbeit schlagen wir ein Netzwerk zur Posenverfeinerung vor, das eine verfeinerte Pose aus einer Kombination aus einem Eingangsbild und einer Eingangs-Pose schätzt. Die Posenverfeinerung wurde in früheren Methoden hauptsächlich durch eine end-to-end trainierbare mehrstufige Architektur durchgeführt. Diese sind jedoch stark abhängig von Posen-Schätzmodellen und erfordern sorgfältige Modellgestaltung. Im Gegensatz dazu präsentieren wir eine modellunabhängige Methode zur Posenverfeinerung. Laut einer aktuellen Studie haben die besten 2D-Mensch-Pose-Schätzmethoden ähnliche Fehlerverteilungen. Wir nutzen diese Fehlerstatistiken als Vorwissen, um synthetische Posen zu generieren, und verwenden die synthetisierten Posen, um unser Modell zu trainieren. Im Test Stadium können die Ergebnisse der Posen-Schätzung beliebiger anderer Methoden dem vorgeschlagenen Ansatz als Eingabe übergeben werden. Darüber hinaus benötigt das vorgeschlagene Modell weder Code noch Kenntnisse über andere Methoden, was es ermöglicht, es leicht im Nachbearbeitungsschritt einzusetzen. Wir zeigen, dass der vorgeschlagene Ansatz bessere Leistungen als herkömmliche mehrstufige Verfeinerungsmodelle erzielt und die Leistung verschiedener state-of-the-art Pose-Schätzmethoden auf gängigen Benchmarks konsequent verbessert. Der Code ist unter folgender URL verfügbar: \url{https://github.com/mks0601/PoseFix_RELEASE}.