PeopleSansPeople

Résumé (clique pour développer) Au cours des dernières années, la détection de personnes et l'estimation de la pose humaine ont fait de grands progrès, aidées par des ensembles de données étiquetées à grande échelle. Cependant, ces ensembles de données n'avaient aucune garantie ni analyse des activités humaines, des poses ou de la diversité contextuelle. De plus, les préoccupations en matière de confidentialité, de légalité, de sécurité et d'éthique peuvent limiter la capacité à collecter davantage de données humaines. Une alternative émergente aux données du monde réel qui atténue certains de ces problèmes est les données synthétiques. Cependant, la création de générateurs de données synthétiques est incroyablement difficile et empêche les chercheurs d'explorer leur utilité. Par conséquent, nous publions un générateur de données synthétiques centré sur l'humain, PeopleSansPeople, qui contient des actifs humains 3D prêts pour la simulation, un système d'éclairage et de caméra paramétré, et génère des étiquettes de boîte englobante 2D et 3D, de segmentation d'instance et sémantique, ainsi que des étiquettes de pose COCO. En utilisant PeopleSansPeople, nous avons effectué un entraînement de données synthétiques de référence en utilisant une variante de Detectron2 Keypoint R-CNN.