本研究采用了卷积神经网络对图像方向检测进行研究，取得了优于同类论文的研究成果，该系统在消费级照片的检测中表现出色，并使用 Guided Backpropagation 解释其错误。

May, 2023

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

提出了一种成本效益高的基于视觉的方法，通过神经网络预测置信区间而非点估计来解决单眼 3D 任务中的挑战，从而能够有效识别交通系统中的人体姿态及其所在位置，并探讨了其在社交互动、安全等多个方面的应用。

Sep, 2020

该研究提出了一种新的 3D 人体姿态估计方法，即利用肢体方向与肢体区域的边界框一起表示 3D 姿态，并且通过简单的方法在多项基准测试中取得了良好的结果，该方法具有较好的泛化性能。

Nov, 2018

本文研究使用深度卷积神经网络来解决连续物体方位估计任务，并通过比较三种连续方位估计方法的效果证明，将连续方位估计任务转化为离散方位估计任务并使用均值漂移算法将离散方位估计结果转化回连续方位，其中基于离散化的方法不仅性能更好，而且达到了最先进水平。同时，文章也说明了在适应图像识别任务的深度卷积神经网络中，寻找合适的特征表示是获得良好性能的关键。

Feb, 2017

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。

Nov, 2015

我们提出了一个使用两个 LiDAR 传感器的低分辨率点云数据来估计人们身体和头部方向的系统。我们的模型可以在现实世界的对话环境中准确估计被试在自然状态下以不同的头部和身体姿势进行移动。我们的系统利用椭圆拟合和几何特征提取与神经网络回归器集成的管道模型对身体和头部方向进行估计。与使用 RGB 摄像头的其他身体和头部方向估计系统相比，我们的系统使用 LiDAR 传感器保护用户隐私，同时实现可比较的准确度。与其他身体 / 头部方向估计系统不同，我们的传感器不需要指定在被试前面的特定位置。我们的模型对于身体方向的均方差估计误差为 5.2 度，对于头部方向的估计误差为 13.7 度。我们使用这些模型来量化自闭症谱系障碍和典型个体在三角对话中的行为差异。显著性测试显示，自闭症谱系障碍的个体在对话中的注意力分配行为与典型个体有显著的不同，这表明该方法可以作为行为分析或指导系统的组成部分。

Nov, 2023

本篇论文对基于深度学习的 2D 和 3D 人体姿态估计方法及其挑战、框架、数据集、度量标准、性能比较和未来研究方向进行了综述。

Jun, 2020

提出实时框架及卷积神经网络用于分类人眼凝视方向和评估眼部访问线索，并使用改进的 Viola-Jones 算法检测人脸，通过几何关系和面部特征点得到眼部区域，并进行逐帧测试以获得平均帧速率 24fps，结果显示其优于现有方法。

May, 2016

本研究介绍了 COCO-MEBOW 数据集和一种新的基于三重信息的解决方案来改善人体方向和 3-D 姿势估计。该解决方案通过单张图像从 COCO 数据集中的约 130K 人形体实例中预测姿势和方向标签，证明了在人的姿态识别中 COOM- MEBOW 数据集具有很高的实用价值。

Nov, 2020