摘要

从单张深度图像中进行三维手部姿态估计是人机交互领域中一个重要的且具有挑战性的问题。近年来，采用复杂设计的深度卷积网络（ConvNet）被用于解决该问题，但其性能相较于传统的基于随机森林的方法提升并不显著。为了借鉴优秀实践并进一步提升手部姿态估计的性能，本文提出一种树状结构的区域集成网络（Region Ensemble Network, REN），用于直接进行三维坐标回归。该方法首先将ConvNet最后一层卷积输出划分为多个网格区域，随后对每个区域分别使用独立的全连接（FC）回归器进行预测，并通过另一层全连接网络对各区域的输出结果进行融合，完成手部关键点的估计。通过引入多种训练策略，包括数据增强和光滑L₁损失函数，所提出的REN能够显著提升ConvNet在手部关节定位方面的性能。实验结果表明，本方法在三个公开的手部姿态估计数据集上均达到了当前最优的性能表现。此外，我们在指尖检测与人体姿态估计数据集上也进行了实验，同样取得了当前最先进的准确率。