区域集成网络:改进卷积网络用于手势姿势估计
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
本文研究了从单个深度图像中估计手势姿态的问题,提出了一种基于姿态引导的结构化区域集合网络,该方法在公共手势数据集上的实验结果表明它比现有的最先进算法表现更好。
Aug, 2017
本文提出一种利用深度图像结合卷积神经网络实现快速且可靠的多人姿态估计算法的方案,可以有效地应用于人机交互领域;具体贡献包括提出了基于残差块的快速网络、构建了包括 170k 多张人体合成图像与真实标注数据在内的公开数据集用于评估,证明了该模型在真实数据上性能良好。
Oct, 2019
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
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
本文提出了一个异构多任务学习框架,用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计,同时学习姿势 - 关节回归器和滑动窗口身体部位检测器,并证明包含身体部位检测任务有助于正则化网络,并指导其收敛于良好解决方案,并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明,我们的网络中间层中学习的神经元针对局部身体部位进行了优化。
Jun, 2014
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
提出了一种基于 Multi-Region Ensemble CNN (MRE-CNN) 框架的面部表情识别方法,结合深度学习方法和 CNN,同时捕捉全局和局部特征确定面部表情,经过实验证明,取得了最新的识别精度。
Jul, 2018
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