Modulated Graph Convolutional Network for 3D Human Pose Estimation

分享人：王体
研究方向：人体姿态估计
论文题目：Modulated Graph Convolutional Network for 3D Human Pose Estimation
论文作者：Zhiming Zou and Wei Tang
作者单位：伊利诺伊大学芝加哥分校
论文摘要：近几年有研究通过图卷积网络 (GCN) 对身体部位之间的关系进行建模，在3D人体姿态估计 (HPE) 任务上取得了可喜的成绩。然而，大多数先前的GCN方法都存在两个主要缺点。第一点，图卷积层中的每个节点共享同一个特征转换。这会阻碍GCN学习不同身体关节之间的不同关系。第二点，图通常是根据人体骨骼定义的，但人类活动经常表现出超出身体关节自然连接的运动模式，因此这种定义是次优的。为解决上述限制，我们针对3D HPE任务提出了一种新颖的Modulated GCN。 它由两个主要部分组成：权重调制和亲和力调制。权重调制为不同节点学习不同的调制向量，从而在保持模型尺寸较小的同时区分开不同节点的特征变换。亲和力调制用于调整GCN中的图结构，它可以对人体骨骼之外的其他边进行建模。我们对几种不同的亲和力调制方法以及正则化的影响进行了研究。严格的消融实验结果表明，这两种调制方式都能以可忽略的开销提高性能。与用于3D HPE的最优GCN方法相比，我们的方法要么显着减少估计误差，例如减少10%左右，同时保持较小的模型尺寸; 要么大幅减小模型尺寸，例如，从4.22M到0.29 M（减少14.5 倍），同时达到相当的性能。在两个基准上测试的结果表明，我们提出的Modulated GCN优于最近的一些SOTA方法。我们的代码可在https://github.com/ZhimingZo/Modulated-GCN获得。
原文链接：

点击此处