[論文レビュー] Cascade Feature Aggregation for Human Pose Estimation

Zhihui Su, Ming Ye+3 more|arXiv (Cornell University)|Feb 21, 2019

Human Pose and Action Recognition参考文献 40被引用数 32

ひとこと要約

本稿は Cascade Feature Aggregation (CFA) を提案する。CFA は複数の hourglass ネットワークをカスケードさせ、異なる段階からの特徴を統合することで、姿勢変化、遮蔽、低解像度に対する頑健性を向上させ、人体姿勢推定を改善する。

ABSTRACT

Human pose estimation plays an important role in many computer vision tasks and has been studied for many decades. However, due to complex appearance variations from poses, illuminations, occlusions and low resolutions, it still remains a challenging problem. Taking the advantage of high-level semantic information from deep convolutional neural networks is an effective way to improve the accuracy of human pose estimation. In this paper, we propose a novel Cascade Feature Aggregation (CFA) method, which cascades several hourglass networks for robust human pose estimation. Features from different stages are aggregated to obtain abundant contextual information, leading to robustness to poses, partial occlusions and low resolution. Moreover, results from different stages are fused to further improve the localization accuracy. The extensive experiments on MPII datasets and LIP datasets demonstrate that our proposed CFA outperforms the state-of-the-art and achieves the best performance on the state-of-the-art benchmark MPII.

研究の動機と目的

• 外観の変動、遮蔽、低解像度に起因する人間の姿勢推定の課題に対処する。
• 深層 CNN からの高レベルな意味情報を活用して精度を向上させる。
• より豊かな文脈のために複数段階からの特徴を統合するカスケードアーキテクチャを開発する。
• 異なる段階の結果を統合して局在精度を高める。

提案手法

• いくつかの hourglass ネットワークをカスケードして Cascade Feature Aggregation (CFA) を導入する。
• 異なる段階からの特徴を統合して豊富な文脈情報を得る。
• 段階間で結果を融合して姿勢局在精度を向上させる。
• 難条件下で頑健な特徴表現を提供するために深い畳み込みネットワークを活用する。

実験結果

リサーチクエスチョン

• RQ1 遮蔽および低解像度下で、複数段階の特徴統合を伴う hourglass ネットワークのカスケードは姿勢推定の精度を改善できるか？
• RQ2 複数の深度からの特徴を結合することで姿勢変動に対する頑健性が向上するか？
• RQ3 CFA は MPII および LIP データセットで最先端手法とどう比較されるか？

主な発見

• CFA は MPII ベンチマークで最先端手法を上回る。
• この手法は文脈特徴の統合を通じて姿勢変化、部分的遮蔽、低解像度に対する頑健性を示す。
• 異なる段階の結果の融合により局在精度がさらに向上する。