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
该研究提出了一种基于单个深度帧的三维手部姿态估计方法,通过像素级别的估计实现高效准确地实现骨架姿态估计,并在 MSRA 和 NYU 手部数据集上,其方法实现了最好的性能。
Nov, 2017
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
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
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。
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
本篇论文提出了一种从 RGB 图像中估计手部姿势的方法,该方法在训练时利用了相应的深度图像,使用深度数据来初始化深度网络、约束 RGB 网络权重、及抑制背景区域反应,使用 RGB 和深度图像的配对数据,训练 RGB 网络以学习深度网络中的中层特征,该方法在三个公共数据集上的实验结果表明,与使用 RGB 图像输入的其他方法相比,性能更优越。
Nov, 2018
本文提出了一种通过 RGB 图像估计 3D 手部姿势的方法,使用深度学习和关键点检测方法,配合学习的 3D 关节先验,以及基于合成手模型的大规模数据集进行了实验验证。
May, 2017