无需重训！高斯混合模型让姿态估计遮挡下精度飙升，不确定性量化碾压传统方法！
Human Pose Estimation by Probabilistic Mixtures of Gaussian and Uniform Distributions
📖 AI 总结
本文提出一种用于人体姿态估计的后处理连续概率框架，将原始热图建模为高斯混合模型并引入空间无关的均匀分布，无需修改网络结构或重新训练。研究表明，拟合高斯混合模型的空间期望可在无需启发式后处理的情况下达到与主流亚像素解码器相当的精度；基于概率分布的测试时增强可缓解多尺度热图污染，多模态参数化还能自然衔接马尔可夫随机场等几何正则化方法。分析同时揭示了二维运动学先验在透视缩短和视觉退化下的脆弱性。关键发现在于，该密度建模显著提升了不确定性量化能力：在严重遮挡下的分布外异常检测中，校准后的几何协方差体积优于标准峰值强度启发式方法；分布内校准方面，通过自适应Softmax动态融合几何指标，在多个基准和退化水平上达到或优于基线稀疏化误差面积。该连续参数化还可扩展至多视图三维架构，规避体素表示的三次方内存瓶颈。
🔑 关键词速览
| Human Pose Estimation (HPE) | 人体姿态估计，从图像或视频中检测人体关键点位置的任务。 |
| Gaussian Mixture Model (GMM) | 高斯混合模型，用多个高斯分布的加权和来建模复杂数据分布的概率模型。 |
| Out-of-Distribution (OoD) | 分布外，指测试数据与训练数据分布不同，模型可能失效的情况。 |
| Markov Random Fields | 马尔可夫随机场，一种用于建模空间依赖关系的概率图模型，常用于几何正则化。 |
| Area Under the Sparsification Error (AUSE) | 稀疏化误差面积，一种评估不确定性估计质量的指标，值越低表示校准越好。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅