ICCVSep, 2016

训练用于手部姿态估计的反馈循环

PDF
TL;DR本文提出了一种全数据驱动的方法来估计深度图像中手部的 3D 姿态，使用反馈回路来校正卷积神经网络训练过程中产生的误差，利用优化的深度网络来取代将 3D 模型拟合到输入数据中的需求，并表现出比现有最先进的方法更好的性能，实现速度高达 400 fps。
data-driven approach3d pose estimationconvolutional neural networkdeep networksperformance improvement
发现论文，激发创造
  • 联合手 - 物体姿态估计的通用反馈环

    该研究提出一种通过反馈循环纠正卷积神经网络预测手的三维姿态估计的方法，使用深度神经网络同时估计手和物体的三维姿态，并在单个 GPU 上实时运行，性能好于现有方法。

    Mar, 2019

  • 深入学习手势姿态估计

    本文研究使用卷积神经网络结构，预测手的三维关节位置，并通过引入关节先验和有效利用上下文来提高方案的预测精确性和可靠性，在多个基准测试中都表现出了远胜于现有技术的高精度和较快的计算时间。

    Feb, 2015

  • Hand3D：使用 3D 神经网络进行手部姿态估计

    使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。

    Apr, 2017

  • 高效创建三维训练数据以进行手部姿态细化估计

    本文提出了一种半自动标记方法，该方法可以高效地标记手深度视频的每一帧，从而获得 3D 关节位置数据用于训练手势估计模型，并在手势识别领域取得了最先进的精度。

    May, 2016

  • 深入的三维手部姿态估计良好实践

    本文提出了一种基于区域集成网络技术的 3D 手部姿态估计方法，通过引入数据增强和平滑 L1 损失来提高卷积神经网络的性能并实现手部关节的定位精度，实验结果表明该方法在三个公共数据集上均达到了最佳表现，并在手指尖检测和人体姿态估计上取得了最高精度。

    Jul, 2017

  • 从单一 RGB 图像中估计 3D 手型和姿势

    本文提出了一种基于图形卷积神经网络的方法，从单个 RGB 图像中估算手的 3D 形状和姿态，并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练，结果表明可以对手的 3D 网格进行准确和合理的重建，并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。

    Mar, 2019

  • 基于模型的深度手部姿态估计

    本研究提出了一种基于深度学习的手部姿态估计方法，采用正向运动学来保证估计的姿态的几何有效性，并验证了该方法在公共数据集上实现了最先进的性能。

    Jun, 2016

  • 基于端到端全局到局部卷积神经网络的深度数据手部姿态恢复学习

    本文提出了一种基于层次结构的 CNN，通过对手的手指等局部姿势进行预训练，并将这些特征融合起来，以学习最终姿态中的关节之间的更高级别的依赖关系，同时，在损失函数中加入与手的运动和变形相关的外观和物理约束，并引入一种非刚性数据扩充方法，实验结果表明，基于局部姿态的树形 CNN 模型结合关节相关性和依赖性的融合网络，能够提高最终姿态估计的精度，优于现有的 NYU 和 SyntheticHand 数据集结果。

    May, 2017

  • 基于单深度图像的稳健三维手部姿势估计：从单视角 CNN 到多视角 CNN

    该论文提出了一种新方法，利用多视角投影和学习的姿态先验，通过多视角热图来回归手部姿态，最终得出三维手势估计，实验表明该方法在难以应对的数据集上取得了优异表现。

    Jun, 2016

  • DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计

    通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。

    Aug, 2018