不需要关键点的细粒度头部姿态估计
我们设计了一个端到端的头部姿势估计网络,可从单个 RGB 图像预测欧拉角的全范围头部偏航。WHENet 是第一个适用于完整头部偏航范围的细粒度现代方法,同时也满足或超越了前沿的头部姿态估计方法。
May, 2020
使用旋转矩阵法进行端到端的头部姿态预测,通过引入连续 6D 旋转矩阵表示法和地理损失方法来有效学习头部旋转外观并克服当前最先进方法的限制,从而大幅提高头部姿态预测的范围和稳定性。
Sep, 2023
使用鱼眼镜头进行头部姿态估计,提出了一种新的方法,通过图像中头部位置的知识来降低鱼眼畸变的负面影响,使用卷积神经网络从鱼眼图像直接估计头部姿态,无需校正或标定操作,实验证明与其他最先进的单阶段和双阶段方法相比,我们的网络显著提高了头部姿态估计的准确性。
Feb, 2024
该论文通过对数据集、头部姿态估计算法和绘制例程的深入研究,提出了从提供的源代码推断坐标系、应用顺序和提取精确旋转矩阵和欧拉角的代码和算法,以及将姿态从一个旋转系统转换到另一个旋转系统的代码和算法,2D 旋转矩阵的新公式,以及旋转矩阵和姿态的正确绘制例程的推导和代码,并讨论了在维基百科和 SciPy 中定义右手坐标系旋转的可行性,从而使全方位头部姿态研究中的欧拉角提取更加容易。
Mar, 2024
使用单个卷积神经网络模型和两个数据集进行训练,成功创建了一个精度和推理速度兼顾的头部姿势识别系统,可在实际应用中使用,实测误差平均仅为 4.4 度,推理时间仅为 6ms。
Nov, 2020
通过深度学习的多任务方法,提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构,相比现有技术,在头部姿势和可见性方面均取得了最佳表现,在人脸对准方面也达到了和现有技术同等的状态。
Feb, 2022
本研究提出了一种新方法,通过将头部姿势信息与面部定位网络的特征图相融合,改进了面部定位的性能。此外,所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征,在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位,我们还提出了基于知识蒸馏的训练方法,用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性,以及面部标记的准确性与头部姿势信息的质量之间的变化。此外,我们还在 AFLW2000-3D、AFLW 和 BIWI 数据集上与最先进的方法进行了竞争性性能比较,证明了所提方法的有效性。
Aug, 2023
提出了第一个直接的端到端多人姿态估计框架,称为 DirectPose,使用新的关键点对齐机制 (KPAlign),该机制提高了准确性,并消除了需在底部向上方法中处理的启发式分组或在自顶向下方法中进行边界框检测和 RoI 操作。实验证明,这一端到端模式在人体姿态估计任务中可以达到与之前强大基线相媲美或更好的表现。
Nov, 2019
提出了一种混合线性回归方法来进行头部姿态估计,通过使用未监督的流形学习技术和回归混合来映射面部边界框的高维特征向量,并对该算法的四个变体进行了充分的基准测试。
Mar, 2016