CVPRNov, 2015

个性化的人类视频姿态估计

PDF
TL;DR该研究提出了一种个性化 ConvNet 姿态估计器，它可以根据帧与帧之间的时间跨度和人物外貌的特点，在视频中生成高精度的姿态标注，并利用自评模型筛选高质量的标注，并通过自动化的 fine-tune 训练方法将其个性化，相比于通用的 ConvNet，对目标视频的姿态估计得到了大幅提升，表现比现有方法更好。
convnetpose estimatorpersonalizationocclusion-awaretraining
发现论文，激发创造
  • 视频人体姿势估计的流动卷积神经网络

    本文提出了一种基于深度学习和光流的人体姿势估计算法，通过引入时间序列信息和光流辅助，该算法在多个姿态估计数据集上实现了超越当前最先进方法的性能。

    Jun, 2015

  • 从多视角图像学习单目三维人体姿态估计

    本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。

    Mar, 2018

  • 视频中多人姿态估计和跟踪的自监督关键点对应

    为了解决视频标注成本高的问题，本文提出了一种方法，利用关键点对视频中的人进行关联。该方法在大规模图像数据集上进行自我监督训练，并与自上而下的人体姿势估计框架相结合，使用关键点对视频帧中的人进行关联，从而实现多帧姿态估计和多人姿态跟踪的最先进结果。

    Apr, 2020

  • 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

  • 使用三维卷积神经网络实现时空人体姿态估计

    本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力，通过将时间维度编码在卷积空间中的第三个维度，直接回归到 3D 坐标空间中的人体关节位置，从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。

    Aug, 2016

  • 学习优化人体姿态估计

    本文介绍了一种姿势细化网络，它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练，我们的方法在四个大型姿势估计基准测试中得到了系统的改进。

    Apr, 2018

  • 视频中高效姿态估计的检测与追踪

    该论文提出了一种基于最新的人体检测和视频理解技术的轻量化人体关键点估计和跟踪方法，在帧级别和短视频片段中进行关键点估计，并进行轻量级跟踪，领先于多项竞争者，成为 2017 年 ICCV PoseTrack 的关键点跟踪挑战的最佳表现。

    Dec, 2017

  • 深度公投一致性方法的人体姿态估计

    本文提出了一种从单个静态图像中估计人体姿态的新方法，其采用卷积神经网络，使每个图像位置基于密集的多目标投票来预测人体关键点位置，并计算出相应关节的联合概率，最终通过关键点投票和联合概率来确定最优的人体姿态配置，并在 MPII Human Pose 数据集上展示了较为竞争的性能。

    Mar, 2016

  • 多视角采集无标记 3D 人体姿态注释

    本文提出了一种基于几何驱动的方法来自动收集人体姿势预测任务的准确的三维人体姿势标注，利用多视角设置、相机设置的 3D 几何和人体身体结构的约束，将每个视图的 2D ConvNet 预测概率组合成全局最优 3D 姿态。

    Apr, 2017

  • 基于 Transformer 的姿态估计测试时间个性化

    本论文提出了一种个性化的深度神经网络技术，通过 fine-tuning 和使用 Transformer 模型，利用自我监督目标来适应每个测试样本，从而显著提高人体姿态估计模型的表现。

    Jul, 2021