Jul, 2015

姿态嵌入：学习匹配人体姿态的深度架构

PDF
TL;DR本文提出了一种用于学习将身体相似姿势的图像放置在附近的 embedding 方法，该方法可以作为一种直接比较基于人体姿势的图像的方法，避免了估计身体关节位置的潜在挑战。通过三元组距离准则构建了姿态嵌入学习，采用深度架构，使能够学习区分不同姿态的表征，文中的实验在人体姿态匹配和从视频数据中检索上展示了该方法的潜力。
发现论文，激发创造
  • PoseVocab: 为人体形象建模学习联合结构的姿态嵌入

    提出了一种名为 PoseVocab 的编码技术，该技术基于训练动态的多视角 RGB 视频，构建关键姿势和潜在嵌入，以有效地编码动态人体外观细节，从而使得在新的姿势下实现逼真且广泛的动画成为可能。

    Apr, 2023

  • 基于深度分层神经网络的解耦人体嵌入

    本文提出了一种像自动编码器一样的网络架构，以学习解缠人体的形状和姿势嵌入，特别是针对三维人体。通过分层重构流程和一个大数据集的构建，并对神经网络进行学习，提高了重构准确性。通过广泛实验，我们的学习到的三维人体嵌入在各种应用中展现了强大的能力。

    May, 2019

  • 基于概率的视角不变人体姿态嵌入

    本文使用 2Djoint keypoints 学习压缩的视角不变嵌入空间，通过建立概率嵌入模型，实现对不同视角人体姿态的相似性识别，相关技术可应用于姿态识别和视频对齐等方面。

    Dec, 2019

  • 深度网络在 3D 人体姿态估计中的最大边界结构化学习

    本文提出了一种利用深度神经网络进行结构化输出学习的方法，用于从单眼图像中估计 3D 人体姿势。该方法将图像和 3D 姿势作为输入，通过卷积神经网络将图像特征提取出来，并通过两个分支网络将图像特征和姿态转换为联合嵌入，然后将联合嵌入相乘得到一个分数值。通过最大间隔代价函数来联合训练联合嵌入和分数函数，实现的网络为一种特殊形式的结构化支持向量机，它是使用深度神经网络区别性地学习联合特征空间。在 Human3.6m 数据集上测试了这个框架，并与其他最近的方法进行了比较，得到了最先进的结果。最后，我们展示了图像 - 姿态嵌入空间的可视化，证明了网络已经学习到了高水平的身体方向和姿态配置。

    Aug, 2015

  • 使用深度神经网络进行 3D 人体姿态结构预测

    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

  • 从视频中的时空关系中进行自监督学习姿态嵌入

    通过自我监督学习利用时空关系进行姿态嵌入的深度卷积网络，包括时序和空间任务，在数据采样中利用一种课程学习方法，并挖掘单个视频中的重复姿态，以提高姿势估计和检索效果。

    Aug, 2017

  • DeepPose: 使用深度神经网络进行人体姿势估计

    本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

    Dec, 2013

  • 基于嵌入式多任务学习的深度图像人体姿态估计

    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

  • 基于深度学习的人体姿势估计：综述

    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

  • 三维人体姿态估计 = 二维姿态估计 + 匹配

    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