今日 Paper | 手部和物體重建；三維人體姿態(tài)估計；圖像到圖像變換等

本文作者： AI研習社

2020-02-04 11:08

導語：為了更好地服務(wù)廣大 AI 青年，AI 研習社正式推出全新「論文」版塊。

今日 Paper | 手部和物體重建；三維人體姿態(tài)估計；圖像到圖像變換等

SMPL-H: 學習手部和操縱物體的關(guān)節(jié)重建
SMPLify: 從一個單一的圖像自動估計三維人體姿態(tài)和形狀
CDGAN：用于圖像到圖像變換的循環(huán)鑒別生成對抗網(wǎng)絡(luò)
大轉(zhuǎn)彎時的小霧
SCAIL：用于類增量學習的分類器權(quán)重縮放

SMPL-H: 學習手部和操縱物體的關(guān)節(jié)重建

論文名稱：Learning joint reconstruction of hands and manipulated objects

作者：Hasson Yana /Varol Gül /Tzionas Dimitrios /Kalevatykh Igor /Black Michael J. /Laptev Ivan /Schmid Cordelia

發(fā)表時間：2019/4/11

論文鏈接：https://paper.yanxishe.com/review/9229

推薦原因：可以在ICCV 2019 論文官網(wǎng)https://mano.is.tue.mpg.de/上看到這篇論文。

在SMPL的基礎(chǔ)上，這篇論文描述了相關(guān)研究，實現(xiàn)了操縱期間重建手和物體的重建工作，這也是非常具有挑戰(zhàn)性的。該論文提出了一個新的大規(guī)模合成數(shù)據(jù)集，ObMan。

SMPLify: 從一個單一的圖像自動估計三維人體姿態(tài)和形狀

論文名稱：Keep it SMPL: Automatic Estimation of 3D Human Pose and Shape from a Single Image

作者：Bogo Federica /Kanazawa Angjoo /Lassner Christoph /Gehler Peter /Romero Javier /Black Michael J.

發(fā)表時間：2016/7/27

論文鏈接：https://paper.yanxishe.com/review/9228

推薦原因：第一個從單個不受約束的圖像自動估計人體3D姿勢及其3D形狀的方法。

首先使用最近發(fā)布的基于CNN的方法DeepCut來預測（自下而上）二維人體關(guān)節(jié)位置。然后，將新近發(fā)布的統(tǒng)計身體形狀模型SMPL（自頂向下）擬合到2D關(guān)節(jié)。通過最小化目標函數(shù)來懲罰投影的3D模型關(guān)節(jié)與檢測到的2D關(guān)節(jié)之間的誤差。

官網(wǎng)：http://smplify.is.tue.mpg.de/

CDGAN：用于圖像到圖像變換的循環(huán)鑒別生成對抗網(wǎng)絡(luò)

論文名稱：CDGAN: Cyclic Discriminative Generative Adversarial Networks for Image-to-Image Transformation

作者：Babu Kancharagunta Kishan /Dubey Shiv Ram

發(fā)表時間：2020/1/15

論文鏈接：https://paper.yanxishe.com/review/9223

這篇論文考慮的是圖像到圖像變換的問題。

圖像到圖像變換是將一個視覺表示的輸入圖像轉(zhuǎn)換為另一種視覺表示的輸出圖像。近年來，生成對抗網(wǎng)絡(luò)通過在其架構(gòu)中引入生成器和判別器網(wǎng)絡(luò)，為解決此問題提供了新的方向，然而基于GAN生成的圖像質(zhì)量仍然存在一些瑕疵。這篇論文提出了一種新的名為循環(huán)判別式生成對抗網(wǎng)絡(luò)（CDGAN）的圖像到圖像轉(zhuǎn)換網(wǎng)絡(luò)。CDGAN可以通過添加除CycleGAN之外的其他判別器網(wǎng)絡(luò)來生成更高質(zhì)量和更逼真的圖像。這篇論文還在三個不同的基準圖像到圖像轉(zhuǎn)換數(shù)據(jù)集上評估了CDGAN的有效性。

大轉(zhuǎn)彎時的小霧

論文名稱：A Little Fog for a Large Turn

作者：Machiraju Harshitha /Balasubramanian Vineeth N

發(fā)表時間：2020/1/16

論文鏈接：https://paper.yanxishe.com/review/9224

這篇論文考慮是自動導航中的對抗擾動問題。

對抗擾動指的是微小而經(jīng)過細致調(diào)整出的擾動。這類擾動會大幅積累，而又不能被自然而然察覺。這篇論文考慮是自動導航中的對抗擾動問題，其中不利的天氣條件（例如霧）會對基于神經(jīng)網(wǎng)絡(luò)的預測產(chǎn)生重大影響。此時，天氣條件如同自然的對抗樣本一樣發(fā)揮作用。這篇論文提出一個關(guān)于對抗擾動的通用觀點，用生成模型來獲取樣本。受到循環(huán)一致生成對抗網(wǎng)絡(luò)啟發(fā)，這篇論文提出一個方法來為輸入的圖像生成對抗天氣條件。所提公式和結(jié)果表明，這些圖像為自主導航模型中使用的轉(zhuǎn)向模型提供了合適的測試平臺。這篇論文還基于感知相似性提出了更自然，更籠統(tǒng)的對抗性擾動定義。

SCAIL：用于類增量學習的分類器權(quán)重縮放

論文名稱：ScaIL: Classifier Weights Scaling for Class Incremental Learning

作者：Belouadah Eden /Popescu Adrian

發(fā)表時間：2020/1/16

論文鏈接：https://paper.yanxishe.com/review/9225

這篇論文考慮的是增量學習中的分類器權(quán)重問題。

在基于深度學習方法的增量學習中，恒定的算力預算要求所有增量狀態(tài)都使用固定的架構(gòu)。有限的內(nèi)存會產(chǎn)生數(shù)據(jù)不平衡，從而偏向于新類，出現(xiàn)預測偏差。通常的解決辦法是引入數(shù)據(jù)平衡步驟來消除這種偏見。這篇論文則是提出一種簡單但有效的對歷史類型分類器權(quán)重進行縮放的方法，使其與新類型權(quán)重具有可比性。縮放尺度利用到增量狀態(tài)級別統(tǒng)計信息，并將其應(yīng)用于在類的初始狀態(tài)下習得的分類器，以便從其所有可用數(shù)據(jù)中獲利。通過將其與有限內(nèi)存下的微調(diào)原始模型的方法進行比較，這篇論文質(zhì)疑了增量學習算法中廣泛使用的蒸餾損失分量的實用性。在四個公共數(shù)據(jù)集上根據(jù)競爭基準進行的評估結(jié)果表明，分級器的權(quán)重縮放尺度和蒸餾移除都是對結(jié)果有利的。