姿态感知的人员识别
使用多个面向姿态的深度学习模型进行人脸识别,其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征,并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中,我们展示了该方法在人脸识别任务的表现优于现有技术。
Mar, 2016
本文介绍了 PPIPA 数据集,提出了一种基于深度卷积网络的 Pose Invariant PErson Recognition (PIPER) 方法来实现照片集中个体识别,实验证明该方法在处理姿态、服装、视角、分辨率和光照等变化时表现优于 DeepFace。
Jan, 2015
提出一种基于卷积神经网络的人物识别系统,针对不同的身体线索和训练数据量的信息量,系统的常见故障模式进行了深入分析,并讨论了现有基准的局限性并提出更具挑战性的基准,其简单易用且在社交媒体照片数据集(PIPA)上达到了更好的成果。
Sep, 2015
本文介绍了一个实时运行的系统 AlphaPose,它可以同时执行准确的全身姿势估计和跟踪。我们使用了几种新技术,包括对称积分关键点回归(SIKR)用于快速和精确的定位,参数化姿势非最大抑制(P-NMS)用于消除冗余的人体检测和姿势感知身份嵌入,用于联合姿势估计和跟踪。我们的方法能够准确地定位全身关键点并同时跟踪人,可以显著提高 COCO-wholebody,COCO,PoseTrack 和我们提出的 Halpe-FullBody 姿势估计数据集的速度和准确性。
Nov, 2022
通过改进下联式方法,提出了一种改进的多人姿势估计方法,该方法使用更直观却更合理的表示方法,具有 attention 机制的改进型叠叠层沙漏网络,专门用于 hard keypoint 和 keypoint 关联挖掘的新型 Focal L2 Loss 和用于将检测到的关键点分组为单个姿势的强大贪婪关键点分配算法,平均精度比基准线高约 15%,与 MS-COCO 测试数据集上的最新技术相当。
Nov, 2019
该论文提出了一种基于多图像区域(头部、身体等)的简单的人员识别框架,以应对社交媒体照片中的人员识别问题,并针对训练和测试样本之间的时间和外观差距提出了新的识别方法,该方法在 PIPA 基准上取得了最先进的结果,对不同的特征进行了深入的分析。
Oct, 2017
本文提出了一种更加紧凑和高效的多人姿态估计框架,使用自适应点集来表示人体部位并使用单阶段网络精细地回归多人姿态,在 COCO 测试开发数据集上实现了最佳速度 - 准确度平衡。
Dec, 2021
本研究通过引入两个新的概念 - instance cue 和 recurrent refinement 到已有的姿态估计模型中,以处理带有多个人的检测框,实现了更准确的姿态估计,并在 COCO17 关键点数据集上取得了较高的 mAP 得分。
Mar, 2020
本文提出了一种针对人员重新识别问题的方法,即利用人体部分对齐表示以应对身体部位不对齐问题,并通过深度神经网络学习三个步骤,以最小化三元组损失函数来进行学习,这种方法可以更好地应对姿态变化和不同的空间分布情况,并在标准数据集上展现出最优结果。
Jul, 2017
本文研究多人姿态估计问题,提出了一种基于多视图系统和深度学习的方法,通过使用图神经网络模型预测场景中不同人之间的视角对应关系,并使用多层感知器模型将 2D 点转换为每个人的 3D 姿态。该模型采用自监督学习方式进行训练,从而避免了对大规模 3D 数据集的依赖。
Dec, 2022