文章目录
- Part Affinity Fields for Part Association
Part Affinity Fields for Part Association
给定一组被检测到的身体部位（如图5a中的红色和蓝色点所示），我们如何将它们组合起来，形成一个未知数量的人的全身姿势？我们需要对每一对身体部位检测的关联进行一个信心度量，也就是说，它们属于同一个人。测量这种关联的一种可能的方法是检测肢体上每对部分之间的一个额外中点，并检查候选部分检测之间的发生率，如图5b所示。然而，当人们聚集在一起时——正如他们很容易做的那样——这些中点很可能支持错误的关联（图5b中的绿线所示）。这种错误关联的产生是由于表征中的两个限制造成的： (1)它只编码每条肢体的位置，而不是方向；(2)它将一个肢体的支撑区域减少到一个单个点。
零件亲和字段（PAF）解决了这些限制。它们在肢体支撑区域的位置和方向信息（如图5c所示）。每个PAF都是每个肢体的二维向量场，也如图1d所示。对于属于一个特定肢体的区域中的每个像素，一个二维向量对从该肢体的一部分指向另一部分的方向进行编码。每一种类型的肢体都有一个相应的PAF，连接着它的两个相关的身体部位。
考虑下图中所示的一个肢体。设xj1，k和xj2，k是物体。如果一个点p位于肢体上，在L∗c，k §的值是一个点从j1到j2的单位向量；对于所有其他的点，这个向量都是零值的。
在训练期间，为了评估f_l等式6，我们定义了真值PAF，Lc_k，图上的点定义如下：
其中，v定义如下
v = （X_j2_k - X_j1_k）/ || X_j2_k - X_j1_k||2
V是在肢体方向上的单位向量。肢体上的点集被定义为那些在线段的距离阈值内的点，即那些点p
地面真值局部亲和场平均了图像中所有人的亲和场
在测试过程中，我们通过计算沿着连接候选部分位置的线段上对应的PAF上的线积分来衡量候选部分检测结果之间的关联。换句话说，我们测量了预测的PAF与通过连接被检测到的身体部位而形成的候选肢体的对齐情况。
特别地，对于两个候选部分位置d_j1和d_j2，我们采样预测的部分亲和场，L_c沿着线段来衡量对他们的关联的置信度，
在实际应用中，我们通过对u的均匀间隔值进行采样和求和来近似积分。
