Estimation de la pose humaine 2D adaptative au domaine via des enseignants duals dans des conditions d'éclairage extrêmement faibles

Les recherches actuelles en estimation de la posture humaine en 2D se concentrent principalement sur des scénarios bien éclairés, avec une exploration limitée des conditions d'éclairage faible, qui sont pourtant un aspect prévalent de la vie quotidienne. Les études récentes sur l'estimation de la posture dans les faibles éclairages nécessitent l'utilisation d'images bien éclairées et d'images à faible éclairage appariées avec des vérités terrain pour l'entraînement, ce qui est peu pratique en raison des défis inhérents à l'annotation des images à faible éclairage. A cet effet, nous présentons une nouvelle approche qui supprime la nécessité de vérités terrain à faible éclairage. Notre principale innovation réside dans l'utilisation de deux réseaux enseignants complémentaires pour générer des labels pseudo plus fiables, permettant ainsi à notre modèle d'atteindre une performance compétitive sur des images extrêmement mal éclairées sans avoir besoin d'être entraîné avec des vérités terrain à faible éclairage. Notre cadre de travail comprend deux étapes. Dans la première étape, notre modèle est entraîné sur des données bien éclairées avec des augmentations à faible éclairage. Dans la deuxième étape, nous proposons un cadre double-enseignant pour utiliser les données non étiquetées à faible éclairage, où un enseignant principal basé sur le centre produit les labels pseudo pour les cas relativement visibles, tandis qu'un enseignant complémentaire basé sur les points clés se concentre sur la production de labels pseudo pour les personnes manquantes du principal enseignant. Grâce aux labels pseudo provenant des deux enseignants, nous proposons une augmentation spécifique à chaque personne dans les conditions de faible éclairage pour mettre au défi un modèle élève lors de son entraînement afin qu'il dépasse les performances des enseignants. Les résultats expérimentaux sur un jeu de données réel à faible éclairage (ExLPose-OCN) montrent que notre méthode améliore le meilleur niveau actuel (SOTA) de 6,8 % (2,4 AP), malgré l'absence de données de vérité terrain à faible éclairage dans notre approche, contrairement à la méthode SOTA. Notre code sera disponible sur : https://github.com/ayh015-dev/DA-LLPose.