PoseTrans: A Simple Yet Effective Pose Transformation Augmentation for Human Pose Estimation

要約

人間の姿勢推定は、さまざまな人間の姿勢を正確に推定することを目的としています。
ただし、既存のデータセットは、多くの場合、珍しいポーズが占める割合が小さいというロングテール分布に従います。これにより、まれなポーズの多様性がさらに失われます。
これらの問題により、現在の姿勢推定器の一般化能力が低下します。
この論文では、前述の問題を軽減するために、ポーズ変換（PoseTrans）と呼ばれるシンプルで効果的なデータ拡張方法を紹介します。
具体的には、ポーズ変換モジュール (PTM) を提案して、さまざまなポーズを持つ新しいトレーニング サンプルを作成し、ポーズ弁別器を採用して、拡張されたポーズの妥当性を確保します。
さらに、ポーズ クラスタリング モジュール (PCM) を提案して、ポーズの希少性を測定し、ロングテール分布のバランスをとるのに役立つ「最も希少な」ポーズを選択します。
3 つのベンチマーク データセットでの広範な実験により、特にまれなポーズに対するこの方法の有効性が実証されました。
また、私たちの方法は効率的で実装が簡単で、既存のポーズ推定モデルのトレーニング パイプラインに簡単に統合できます。

要約(オリジナル)

Human pose estimation aims to accurately estimate a wide variety of human poses. However, existing datasets often follow a long-tailed distribution that unusual poses only occupy a small portion, which further leads to the lack of diversity of rare poses. These issues result in the inferior generalization ability of current pose estimators. In this paper, we present a simple yet effective data augmentation method, termed Pose Transformation (PoseTrans), to alleviate the aforementioned problems. Specifically, we propose Pose Transformation Module (PTM) to create new training samples that have diverse poses and adopt a pose discriminator to ensure the plausibility of the augmented poses. Besides, we propose Pose Clustering Module (PCM) to measure the pose rarity and select the ‘rarest’ poses to help balance the long-tailed distribution. Extensive experiments on three benchmark datasets demonstrate the effectiveness of our method, especially on rare poses. Also, our method is efficient and simple to implement, which can be easily integrated into the training pipeline of existing pose estimation models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google