Entfernung des Bias bei der Integral-Pose-Regression

Wärmekartenbasierte Detektionsmethoden dominieren weiterhin die 2D-Gestenerkennung, obwohl Regression intuitiver erscheint. Die Einführung der Integral-Regression-Methode, die architektonisch eine implizite Wärmekarte nutzt, verbindet die beiden Ansätze noch enger. Dies wirft die Frage auf: Übertrifft Detektion tatsächlich die Regression? In dieser Arbeit untersuchen wir den Unterschied im Supervisionssignal zwischen wärmekartenbasierter Detektion und Integral-Regression, da dies der zentrale verbleibende Unterschied zwischen den beiden Ansätzen darstellt. Dabei entdecken wir eine zugrundeliegende Verzerrung bei der Integral-Gestenerkennung, die durch die Erwartungswertbildung nach der Softmax-Funktion entsteht. Um diese Verzerrung zu kompensieren, präsentieren wir eine Kompensationsmethode, die wir als wirksam erweisen, um die Genauigkeit der Integral-Regression auf allen Standardbenchmarks für 2D-Gestenerkennung zu verbessern. Darüber hinaus schlagen wir eine einfache gemeinsame Detektions- und Verzerrungskompensations-Regression-Methode vor, die mit nur wenigen zusätzlichen Komponenten die derzeitigen State-of-the-Art-Baselines deutlich übertrifft.