Mar, 2018

无监督对抗学习从 2D 关节点位置得到 3D 人体姿势

PDF
TL;DR本文提出了一种使用生成对抗网络进行无监督学习的方法，能够从单张图片的 2D 关节点位置预测出 3D 人体姿态，无需使用 3D 数据集，而且即使在训练时缺乏数据，该方法也能很好地预测 3D 姿态。
3d human pose estimation2d jointsgenerative adversarial networksunsupervised learninghuman3.6m
发现论文，激发创造
  • 单图像三维人体姿态估计的双源方法

    本研究提出一种利用双重数据源，结合深度神经网络和运动捕捉数据，实现从单张图片中估计三维人体姿态的方法，并对该方法进行了全面评估。

    May, 2017

  • 能否仅从 2D 投影中学习 3D 姿态？

    通过弱监督的方法，使用对抗框架和随机投影层来提高 3D 姿势估计的精确度，该方法不需要 2D 和 3D 点之间的对应关系。实验结果表明该方法在人体 3D 姿势估计任务上表现优秀。

    Aug, 2018

  • 3D 人体姿态估计的简单而有效的基准线

    通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

    May, 2017

  • 基于几何自监督的无监督三维姿态估计

    通过采用无监督学习技术，基于来自单个图像的 2D 骨架关节，我们提出了一种恢复 3D 人体姿势的方法，该方法不需要任何多视图图像数据、3D 骨架、2D-3D 点之间的对应关系或在训练过程中使用先前学习的 3D 先验知识。我们的方法采用一个 lifting 网络将 2D 关键点作为输入，并生成相应的 3D 骨架估计，其中我们通过在随机相机视点重投影修复后的 3D 骨架来产生新的 “合成” 2D 姿态。我们还训练了一个 2D 域适配器网络来扩展 2D 数据，并通过自适应正则化机制使域适应效果更好。最终，在 Human3.6M 数据集上，我们的方法对无监督三维 lifting 的改进达到了 30％，并且优于许多明确使用 3D 数据的弱监督方法。

    Apr, 2019

  • 自监督单张图像下的三维人体姿态估计

    本论文提出了一种新的自我监督方法，通过训练不带标签的典型姿势图像数据集和未成对的 2D 姿势数据，从而实现了从单幅图像预测 3D 人体姿势的网络映射，可用于快速应用于其他人工结构（例如动物）的姿态估计。

    Apr, 2023

  • 通过对抗学习实现自然环境下的三维人体姿态估计

    本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

    Mar, 2018

  • 从单幅图像中强健地估计 3D 人体姿态

    提出了一种在现有 2D 姿态检测器的基础上，从单张图像中估计 3D 人体姿态的方法，通过线性组合稀疏基，实施限制并优化，得出该方法在三个基准数据集上的表现优于现有技术。

    Jun, 2014

  • 利用时间信息进行三维姿态估计

    本文提出了一种基于 LSTM 网络，使用时间信息提高 2D 关节点坐标序列估算 3D 姿势的鲁棒性和一致性，实验在 Human3.6M 上提高了 12.2% 的精度。

    Nov, 2017

  • 从结构和动作学习 3D 人体姿势

    使用两种解剖启发的损失函数和弱监督学习框架，结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列，并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8％和 12％，并在普通图形卡上以 30 FPS 运行。

    Nov, 2017

  • 稀疏性与深度结合：单目视频中的 3D 人体姿态估计

    本文通过提出一种新的方法，在人体姿势估计中实现了更好的 3D 姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测 2D 关节位置的不确定性图，并使用期望最大化算法进行 3D 姿势估计。

    Nov, 2015