초록
포즈 머신(Pose Machines)은 풍부한 암시적 공간 모델을 학습하기 위한 순차적 예측 프레임워크를 제공합니다. 본 연구에서는 컨볼루션 네트워크가 포즈 머신 프레임워크에 어떻게 통합될 수 있는지 체계적인 설계 방법을 제시하여, 포즈 추정 작업을 위해 이미지 특징과 이미지 종속적인 공간 모델을 학습하는 방법을 설명합니다. 이 논문의 주요 기여는 구조화된 예측 작업에서 변수 간의 장거리 의존성을 암시적으로 모델링하는 것입니다. 예를 들어, 관절 포즈 추정과 같은 작업에서 이를 달성하였습니다. 이를 위해 이전 단계의 신념 맵(belief maps)에 직접 작용하는 컨볼루션 네트워크로 구성된 순차적 아키텍처를 설계하여, 부분 위치에 대한 점점 정교해지는 추정 값을 생성할 수 있으며, 명시적인 그래픽 모델 스타일의 추론이 필요하지 않습니다. 우리의 접근 방식은 훈련 중 경사 소실 문제를 해결하기 위해 중간 감독을 강제하는 자연스러운 학습 목적 함수를 제공함으로써, 역전파된 경사를 보충하고 학습 절차를 조건화합니다. 우리는 MPII, LSP, 그리고 FLIC 데이터셋을 포함한 표준 벤치마크에서 최고 수준의 성능을 보여주며, 경쟁 방법들을 능가하였습니다.