本文通过使用深度学习方法,针对三维深度图像进行建模,提出了一种名为 Deep Depth Pose 的模型,用于估计人体骨骼关节的三维位置,并在 ITOP 和 UBC3V 数据集上达到了最新的最优效果。
Jul, 2018
本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法,该方法借助于过度完备的自动编码器并考虑关节从属关系,优于现有技术,包括结构保留和预测准确性两方面。
May, 2016
本文提出一种多任务学习框架,采用深度神经网络进行实现,用于从静止深度图像中预测人体姿态,并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。
Aug, 2016
本文提出了一个异构多任务学习框架,用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计,同时学习姿势 - 关节回归器和滑动窗口身体部位检测器,并证明包含身体部位检测任务有助于正则化网络,并指导其收敛于良好解决方案,并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明,我们的网络中间层中学习的神经元针对局部身体部位进行了优化。
Jun, 2014
本文介绍了基于深度学习的 2D 和 3D 人体姿态估计的综述,系统分析和比较了这些解决方案,对研究的挑战,应用和未来方向进行了讨论,包括 250 多篇研究论文以及姿态估计数据集和评估指标的定量表现比较和讨论。
Dec, 2020
本篇论文对基于深度学习的 2D 和 3D 人体姿态估计方法及其挑战、框架、数据集、度量标准、性能比较和未来研究方向进行了综述。
Jun, 2020
本文提出了一种使用卷积神经网络进行端到端学习的 3D 人体姿势估计方法,通过 CNN 学习找出相对于其他关节的相对 3D 位置,并通过将 2D 姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的 3D 姿势。实验结果表明,该方法在 Human 3.6m 数据集上实现了与最先进方法可比较的性能。
本文提出了一种基于神经网络的新型三维人体姿态估计算法,采用关系网络的结构来捕捉不同身体部位之间的关系,并使用每对不同身体部位生成的特征的平均值进行 3D 姿态估计,提出的网络在 Human 3.6M 数据集中实现了最先进的性能,并能在缺失关节的情况下有效地产生可信的结果。
May, 2018
本文探讨了通过 2D 姿态估计和 3D 运动捕捉数据简单推理得出三维人体姿态的方法,并演示了该方法优于目前大部分直接由 2D 测量回归三维姿态估计系统的现有方法。
Dec, 2016
本文研究使用卷积神经网络结构,预测手的三维关节位置,并通过引入关节先验和有效利用上下文来提高方案的预测精确性和可靠性,在多个基准测试中都表现出了远胜于现有技术的高精度和较快的计算时间。
Feb, 2015