学习在虚拟世界中检测和跟踪可见和遮挡的身体关节
本论文针对人群姿态估计的问题,提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性,使其在人群场景下获得了与当前最先进方法相媲美的结果。
Jul, 2019
本文提出了一种针对无限约束视频中多人的关节追踪方法,利用简化稀疏的身体关系图和最近的快速推断方法,以及将计算量转移到卷积结构上;并将关节定位方案用于构建关节追踪形式,解决了所有场景中的关联问题,并已在公共 MPII Human Pose 基准测试中取得最新结果。
Dec, 2016
提出了一个两阶段的框架,仅利用头部和手部的追踪信号可以获取准确而平滑的全身动作,通过学习大规模动作数据解决实时身体追踪的问题,并通过关节级特征建模和损失函数设计提高精确度和平滑度。在 AMASS 运动数据集和真实捕获数据上的广泛实验验证了设计的有效性,并表明相比现有方法,我们的提出的方法可以实现更准确和平滑的运动。
Aug, 2023
本研究中,我们提出了一种联合检测深度学习模型,用于解决在高密度人群中识别和跟踪行人的问题,实验数据表明,该模型在小型和中型行人检测方面取得了最先进的结果。
Apr, 2023
通过对场景信息和先前知识进行建模,我们提出了一种新的方法来从 RGB-D 图像中重建带有遮挡的 3D 人体,通过建模可能的姿势空间并使用深度数据约束可见身体部分,我们的方法在 PROX 数据集上的实验结果表明,与其他方法相比,能够产生更准确和合理的结果。
Oct, 2023
通过使用空时图形来表示变形的人体,并引入一个细化网络,该网络在此图形上执行图形卷积以输出 3D 姿势,以确保对遮挡鲁棒性,通过使用一组二进制掩码训练此网络,并模拟某些关节在一段时间内可隐藏,并训练网络对此免疫,证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。
Feb, 2024
本文提出了一种从单目视角输入捕获目标人物 3D 运动的方法,利用 3D 可变形网格模型重建运动,使用 3D 部分方向场对所有身体部位的 3D 方向进行编码,在训练集和性能评估方面表现良好,并在各种挑战性的野外视频上演示了总体运动捕捉的结果。
Dec, 2018
借助多尺度空间特征和多步幅时间卷积网络,在设计 A 的基础上,B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性,并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性,并且消融研究表明我们网络的单个子模块的优势。
Apr, 2020
本文介绍了一个具有挑战性的问题,即在不受限制的视频中联合估计和跟踪未知数量的人的多人姿态。为此,我们提出一种新方法,将多人姿势估计和跟踪联合建模在一个公式中,使用时空图表示身体关节检测,在图上使用整数线性规划将其划分为子图,对应于每个人的可能身体姿势轨迹,该方法隐含处理遮挡和截断的问题。我们还提出了一个完全不受限制的评估协议和具有挑战性的 “Multi-Person PoseTrack” 数据集,评估了所提出的方法和几个基线方法在我们的新数据集上的表现。
Nov, 2016
本文提出一种使用语义分割网络从自我中心视频中分割人体部位的方法。方法包括使用半合成数据集和基于 ThunderNet 架构的深度学习语义分割算法,用于构建比标准虚拟化身更逼真的虚拟环境,实现对人体部位的高效分割。
May, 2020