PeopleSansPeople

Resumen (haz clic para expandir) En los últimos años, la detección de personas y la estimación de la pose humana han avanzado mucho, ayudadas por conjuntos de datos etiquetados a gran escala. Sin embargo, estos conjuntos de datos no tenían garantías ni análisis sobre las actividades humanas, las poses o la diversidad del contexto. Además, las preocupaciones sobre la privacidad, la legalidad, la seguridad y la ética pueden limitar la capacidad de recopilar más datos humanos. Una alternativa emergente a los datos del mundo real que alivia algunos de estos problemas son los datos sintéticos. Sin embargo, la creación de generadores de datos sintéticos es increíblemente desafiante y evita que los investigadores exploren su utilidad. Por lo tanto, lanzamos un generador de datos sintéticos centrado en las personas, PeopleSansPeople, que contiene activos humanos 3D listos para simulación, un sistema de iluminación y cámara parametrizado, y genera etiquetas de caja delimitadora 2D y 3D, segmentación de instancias y semántica, y etiquetas de pose COCO. Usando PeopleSansPeople, realizamos un entrenamiento de datos sintéticos de referencia utilizando una variante de Detectron2 Keypoint R-CNN.