Jul, 2015

迭代误差反馈的人体姿态估计

PDF
TL;DR提出了一种新增加了自上而下反馈的框架，名为迭代误差反馈（Iterative Error Feedback，IEF），来训练多任务的卷积网络（Convolutional Networks）进行姿态估计，其在人体姿态估计的 MPII 和 LSP 数据集上表现良好并与现有最先进结果相媲美。
convolutional networkshierarchical feature extractorstop-down feedbackiterative error feedbackartificial pose estimation
发现论文，激发创造
  • 3D 人体姿态估计的简单而有效的基准线

    通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

    May, 2017

  • 使用卷积网络学习人体姿势估计特征

    本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术，能够学习底层特征和高级弱空间模型，在姿态估计中比现有传统架构实现了显著改善。同时，本文探讨了一些研究中发现的经验教训，表明在一些情况下，甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果，并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。

    Dec, 2013

  • 基于知识引导的深度分形神经网络用于人体姿势估计

    本文探讨了如何将外部知识有效地注入深度神经网络中以引导其训练过程，使用 Staked Hourglass 设计和 Inception-resnet 模块构建了分形网络来将人体姿势图像回归为热力图，并使用一个辅助成本函数学习了投影矩阵来注入外部特征。在两个广泛使用的基准测试中，证明所提出的方法取得了最先进的性能。

    May, 2017

  • 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

  • 循环人体姿态估计

    本文提出了一种新颖的 ConvNet 模型，可预测图像中的 2D 人体姿势，通过回归每个关键点的热度图表示，并能够学习和表示部件外观和配置上下文。模型可以从头开始和端到端训练，用于改善性能的辅助损失。该模型在两个基准数据集上进行了评估，具有与最先进技术相当的性能，但不含有图形模型阶段（或层）的复杂性。

    May, 2016

  • FeatER：基于特征映射的 TransformER 的高效人体重建网络

    本论文提出了一种新的 transformer 设计，FeatER，可以在建模注意力时保持特征映射表示的固有结构，并减少内存和计算成本，在几个人类重建任务中有效增强了性能，包括 2D HPE、3D HPE 和 HMR 任务，并应用了特征映射重建模块来改进人体姿态和网格的估计表现。

    May, 2022

  • 人体姿态估计的级联特征聚合

    本文提出了一种基于卷积神经网络的级联特征聚合方法 (Cascade Feature Aggregation, CFA)，该方法可以有效地提高人体姿态估计的精度，并且在 MPII 数据集和 LIP 数据集上实现了最佳成绩。

    Feb, 2019

  • 姿态估计的结构特征学习

    该论文提出了一种结构化特征学习框架，旨在通过人体姿态估计中的特征级别推理身体关节之间的相关性，通过引入几何变换内核捕捉关节特征地图之间的关系，提高特征学习。

    Mar, 2016

  • 带有空间上下文信息的人体姿态估计

    本文探讨了空间背景信息在人体姿态估计中的重要性，提出了利用上下文信息的 Cascade Prediction Fusion 和 Pose Graph Neural Network 两个模块。在 MPII 和 LSP 基准测试中，实验结果表明我们的方法始终优于以前的方法。

    Jan, 2019

  • 卷积神经网络实现高效的物体定位

    通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

    Nov, 2014