PeopleSansPeople

Abstract (klicke zum Erweitern) In den letzten Jahren haben die Personenerkennung und die Schätzung der menschlichen Pose große Fortschritte gemacht, unterstützt durch groß angelegte, beschriftete Datensätze. Diese Datensätze hatten jedoch keine Garantien oder Analysen zu menschlichen Aktivitäten, Posen oder Kontextvielfalt. Darüber hinaus können Datenschutz-, Rechts-, Sicherheits- und ethische Bedenken die Fähigkeit einschränken, mehr menschliche Daten zu sammeln. Eine aufkommende Alternative zu realen Daten, die einige dieser Probleme lindert, sind synthetische Daten. Die Erstellung von Generatoren für synthetische Daten ist jedoch äußerst herausfordernd und hindert Forscher daran, deren Nützlichkeit zu erkunden. Daher veröffentlichen wir einen menschenzentrierten Generator für synthetische Daten, PeopleSansPeople, der simulationsbereite 3D-Menschenassets, ein parametriertes Beleuchtungs- und Kamerasystem enthält und 2D- und 3D-Bounding-Boxen, Instanz- und semantische Segmentierung sowie COCO-Pose-Labels generiert. Mit PeopleSansPeople haben wir ein Benchmark-Training mit synthetischen Daten unter Verwendung einer Detectron2 Keypoint R-CNN-Variante durchgeführt.