Mar, 2015

主动模板回归进行深层人体解析

PDF
TL;DR本文提出了一种基于 Active Template Regression (ATR) 的人体解析方法，使用两个卷积神经网络分别预测标签掩模的模板系数和活动形状参数，得到结构输出，进而生成解析结果。实验结果表明，与其他最先进的算法相比，ATR 框架显著优越，能够更准确地识别语义区域。
human parsingactive template regressionconvolutional neural networksemantic regionsmask templates
发现论文，激发创造
  • 为了准确的多人解析升级 Parsing R-CNN

    该论文介绍了 Renovating Parsing R-CNN (RP R-CNN) 模型，它采用了全局语义增强的特征金字塔网络和解析重新评分网络，以提高多人解析中的全局认知度和准确实例分割得分，并在 CIHP 和 MHP-v2 数据集上表现出优异的性能。

    Sep, 2020

  • 基于半径边界的的深度结构化三维人体活动识别模型

    本文探讨了一种新型深度结构模型，它可以通过卷积神经网络自适应地将活动实例逐个分解为时间部分，将其进一步分配到深度体系结构的零部件中，有效解决了人类活动识别方面的挑战，此方法已在多种拥有复杂情境的实验中得到了验证。

    Dec, 2015

  • 视频实例级人体解析的自适应时间编码网络

    该论文通过提出一种新型的自适应时间编码网络（ATEN）来实现视频级别的人体分割，旨在同时分割每个人物实例并将每个实例解析为更细粒度的部分，从而通过平衡帧级别的准确性和时间效率解决视频对象分割研究中的重要问题。

    Aug, 2018

  • 人类解析的深度学习技术：调查和展望

    本文综述了基于深度学习的人体解析技术在图像和视频领域中的研究进展和挑战，并提出一种基于 Transformer 的高性能人体解析框架，同时还提出了未来研究的方向和待解决的问题。

    Jan, 2023

  • 通过循环传播进行人脸解析

    本文提出了结合 CNN 层次表示和基于空间变量递归神经网络的准确标签传播的面部分割算法，能够实现高效的面部图像分析，适用于实时应用。

    Aug, 2017

  • 用于实例级人体分析的 Parsing R-CNN

    本文提出了一种名为 Parsing R-CNN 的用于解决实例级人体分析的端到端管道，其通过综合考虑区域方法的特征和人体的外观来同时处理一组人体实例，从而使其非常灵活高效，并在 CIHP（Crowd Instance-level Human Parsing）、MHP v2.0（Multi-Human Parsing）和 DensePose-COCO 数据集上优于所有最先进的方法，也在 COCO 2018 Challenge DensePose Estimation 任务中获得了第一名。

    Nov, 2018

  • 可重构卷积神经网络实现的三维人体活动识别

    本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。

    Jan, 2015

  • 学习语义神经树用于人体解析

    本文介绍了一种基于分层语义分割任务的人体解析方法，其使用设计的分级树结构来编码人体生理结构，并在一组内联的过程中生成准确的结果。实验结果表明该方法具有较高的准确性和可行性。

    Dec, 2019

  • 基于深度学习的二值掩模图像人体形状重建

    本文提出了一种基于深度学习的方法，通过 2D 正交视图来实现 3D 人体形态的重建，使用二进制掩膜图像即可快速创建数字化人物，并可应用于 3D 游戏、虚拟现实、在线时装购物等领域。

    Jun, 2018

  • 深度嵌套对抗学习及多人解析新基准的拥挤场景人类理解

    本文研究了多人图像中的多人语义分割问题，提出了一个新的数据集 MHP 和一个基于深度学习的 Nested Adversarial Network (NAN) 模型来解决这个问题。该模型在多个数据集上取得了优秀的性能，并可应用于人类行为分析和自动驾驶等领域。

    Apr, 2018