May, 2017

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

PDF
TL;DR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。
3d pose estimationhierarchical cnnhand jointsend-to-end trainingdata augmentation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用卷积神经网络实现手部联合检测和旋转估计

    该论文提出了基于深度学习的手部检测方法，在同一时间内对手部进行检测和旋转校准。借助上下文感知建议生成算法以保证召回率，并设计了一个 CNN 来显式处理物体旋转问题，实验证明该方法在人机交互等领域的应用优于现有方法。

    Dec, 2016

  • 基于深度的三维手势姿态估计：从当前成果到未来目标

    通过 HIM2017 数据集，分析了当前十大最先进的 3D 手势估计方法在三个任务上的表现，探究了不同的 CNN 结构对手的形状、关节可见度、视角和关节分布的表现，结果表明孤立的 3D 手势估计在视角范围 [70,120] 度时的平均误差较低（10 毫米），但对于极端视角的估计还远未完成。

    Dec, 2017

  • HandFoldingNet：一种使用 2D 手骨架的多尺度特征引导折叠的 3D 手势姿态估计网络

    该论文提出了一种基于 Folding 的手部姿态估计器，该模型利用多尺度特征进行折叠，可以从归一化的 3D 手部点云输入中回归出手部关节位置，试验结果表明，该模型在三个手部姿态基准数据集上优于现有方法，且模型参数要求最低。

    Aug, 2021

  • 使用带有 2D 姿态信息的卷积神经网络进行 3D 人体姿势估计

    本文提出了一种使用卷积神经网络进行端到端学习的 3D 人体姿势估计方法，通过 CNN 学习找出相对于其他关节的相对 3D 位置，并通过将 2D 姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的 3D 姿势。实验结果表明，该方法在 Human 3.6m 数据集上实现了与最先进方法可比较的性能。

    Aug, 2016

  • 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