本文提出了一种新的图卷积神经网络架构,用于 2D 到 3D 人体姿态估计任务,并使用多尺度、多级别特征表示的多尺度架构进行了实验,结果表明该模型优于现有技术,并取得了更好的表现。
Mar, 2021
本文提出了一种基于编码器 - 解码器卷积神经网络结构的相机姿态估计方法,通过单张 RGB 图像来确定相机的方向和位置,包括卷积、上卷积和回归,利用大规模分类数据的转移学习,研究表明该方法在不同光照条件、反射和运动模糊的数据上具有良好的性能表现,与其他仅仅使用测试帧序列的方法相比具有明显的优越性。
Mar, 2017
本文提出了一种多尺度结构感知神经网络,通过多尺度监督、多尺度回归网络、中间监督和结构感知损失以及关键点掩蔽训练方案等四个方面对深度卷积 - 反卷积沙漏模型进行改进,以有效地提高人体姿势估计的性能。该网络不仅可以解决尺度差异、遮挡和复杂多人场景等问题,而且可以全局优化多尺度特征的结构匹配,并在 MPII 挑战排行榜上取得了领先地位。
Mar, 2018
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
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
本文提出将卷积神经网络与多上下文关注机制相结合,形成一个端到端的框架,用于人体姿态估计,并采用堆叠的 hourglass 网络生成具有不同语义感知力的多分辨率的注意力图,从局部显著区域到全局语义一致空间不同粒度的着重点,进一步将全局一致模型与着重于不同身体部位的模型相结合,以实现对全身不同身体部位的详细描述,证明了多上下文关注机制和 hourglass 残差单元在两个公共数据集上的有效性和优越性。
Feb, 2017
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
本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型,并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置,从而在 COCO 数据集上取得了 77.1 AP 得分。
Oct, 2019
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
该研究提出了一种基于 2D 姿势估计和残差块的 2-3 阶段框架,并在 ECCV2018 PoseTrack Challenge 的验证数据集上取得了有希望的结果。
Oct, 2018