Guangrui Li

1. Dense Pose: Dense Human
Pose Estimation In The Wild
Pre by Guangrui Li

2. 目标
• 1，配合新颖的标注策略，建立了一个庞大的，RGB 图像和
surface-based representation对应的人体的数据集；
• 2，基于上一条提到的数据集，分别用FCN，region-based system
做了实验，实验证明，后者更棒；
• 3，在尝试了多种利用数据集的方式，并提出了最行之有效的利
用方式。

3. COCO-DensePose Dataset
task 1： 分割为头、躯干等几个部位
task 2：对于每一个部位，进行点的标注，在点的标注上，针对不同复杂程度的部位有着不同的
策略，详情应该还需要翻阅其引用的SMPL模型

4. Novel annotation method
• 标注准确率：
• 由于其可以渲染图像，因此直
接选取标注点的一部分，与渲
染模型中坐标真实值计算
geodesic distance。

5. Evaluation Method
• 1, pointwise
the Ratio of Correct Point (RCP) correspondences, where a
correspondence is declared correct if the geodesic distance is below a
certain threshold
2, Per-Instance
geodesic point similarity:

6. Learning Dense Human Pose Estimation
Fully-convolutional dense pose regression
1，classifier：分类为某个部位 [cross-entropy loss]
2，regressor：定位point坐标 [smooth L1 loss]
弊端： 这样一个网络承担了这么多任务（一个分类器和24和
regressor）的情况下，很难再保证scale-invariance

7. Learning Dense Human Pose Estimation
• Region based system
we use a cascade of region proposal generation and feature pooling, followed
by a fully-convolutional network that densely predicts discrete part labels and
continuous surface coordinates

8. Distillation-based ground-truth interpolation
• 对于每个训练样本，只提供标注点新的的一部分。
• 除此之外，利用了蒸馏的思路
• 首先，训练teacher net，这个net的目标是来重建没有提供标注的
点，
• 然后将该网络与student net一起训练，这样最终获得了更好的结
果。