Apr, 2017

BigHand2.2M 基准测试：手势姿态数据集和最新技术分析

PDF
TL;DR介绍了一种新的捕捉方法和跟踪系统，自动获取 21 个关节点的手部姿势数据，并通过新数据集和卷积神经网络对自我视角手势估计和交叉基准性能进行显著改进。
hand pose datasetcapture methodtracking systemdepth mapscnn
发现论文，激发创造
  • 大规模多视角 3D 手势姿态数据集

    提出一个多视角手势姿势数据集和一个既简单又准确的、用于实时鲁棒的 2D 手势姿势估计的深度学习框架。

    Jul, 2017

  • 基于深度的手部姿态估计：方法、数据和挑战

    手势姿态估计方面已有巨大进展，但在处理复杂场景，特别是手与周围物体交互的情况下仍存在困难。此研究提出了一个具有挑战性的新数据集，并定义了一个一致的评估标准，同时引入了一个简单有效的最近邻基线系统，加以比较，结果表明相当一部分系统无法在训练集之外进行有效泛化。

    Apr, 2015

  • Hi5：零人工标注的 2D 手部姿态估计

    提出一种新的大规模合成手部姿态估计数据集 Hi5 以及一种新的廉价方法来收集高质量合成数据，无需人工注释或验证。在计算机图形学的最新进展下，利用具有多样性性别、肤色和动态环境和摄像机移动的高保真度 3D 手部模型，我们的数据合成流程可以精确控制数据多样性和表示，确保健壮和公平的模型训练。通过使用一台普通消费级个人电脑，我们生成了一个包含 583,000 张图像和准确的姿态注释的数据集，这个数据集紧密地代表了现实世界的变异性。使用 Hi5 训练的姿态估计模型在真实手部基准测试中表现出竞争力，而在遮挡和扰动测试中超过了使用真实数据训练的模型。我们的实验显示出合成数据作为解决现实数据集中数据表示问题的可行方案的有希望的结果。总体而言，本文提供了一种有希望的新方法来创建和注释合成数据，可以降低成本并增加手部姿态估计的数据多样性和质量。

    Jun, 2024

  • 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

  • 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

  • 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

  • 基于 RGB-D 视频和 3D 手势姿态注释的第一人称手部动作基准测试

    本文提出了一种基于 3D 手部姿势的第一人称动态手部动作识别方法，并通过收集大量 RGB-D 视频序列对其进行了实验评估。研究结果表明，在进行动作识别时，与其他数据形式相比，手部姿态作为一种线索具有明显的优势。

    Apr, 2017

  • AssemblyHands: 通过 3D 手部姿态估算实现自我中心活动理解

    AssemblyHands 是一份大规模基准数据集，包括 3D 手部姿态注释和同步的自中心和非中心图像，旨在研究具有挑战性的手 - 物体交互，可应用于 3D 手部姿态的估计和行动识别任务。

    Apr, 2023

  • 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

  • FreiHAND：单张 RGB 图像无标记手势姿态和形状数据集

    本研究介绍了一个大型多视角手部数据库，并提出了一种迭代的半自动方法，用于将三维手部姿势和形状标注应用于该数据库，以解决基于单个 RGB 图像的三维手部姿势估计的高度不确定性问题，并评估了模型的性能。

    Sep, 2019