CVPRApr, 2018

学习优化人体姿态估计

PDF
TL;DR本文介绍了一种姿势细化网络，它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练，我们的方法在四个大型姿势估计基准测试中得到了系统的改进。
multi-person pose estimationconvolutional neural networkspose refinement networkdata augmentationlarge-scale pose estimation benchmarks
发现论文，激发创造
  • PoseFix: 通用人体姿势细化网络，无模型依赖

    本文提出了一种模型无关的姿态精炼方法，利用现有的错误统计信息产生合成姿态来训练模型，而无需其他方法的代码或知识，并在测试阶段通过各种最先进的姿势估计方法改进性能。

    Dec, 2018

  • 深度双连续网络用于人体姿态估计

    本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

    Mar, 2021

  • 重新思考三维姿态：用于非标记运动捕捉的多阶段细化与恢复

    通过多相机无标记运动捕捉，使用基于 CNN 的方法进行人体运动捕捉，利用三维推理提高关节点定位准确性，并利用高质量的多相机训练数据来提高现有单相机模型的准确性。

    Aug, 2018

  • HintPose

    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

  • 借助置信度网络优化多人姿态跟踪

    本研究开发了一种新型关键点置信网络和跟踪流程，以改善自上而下方法中的人体检测和姿势估计，实验结果显示我们的方法在人体检测和姿势估计方面具有普适性，并在 PoseTrack 2017 和 2018 数据集上取得最先进的性能。

    Oct, 2023

  • 深度卷积神经网络下的人体姿态估计的异构多任务学习

    本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

    Jun, 2014

  • 个性化的人类视频姿态估计

    该研究提出了一种个性化 ConvNet 姿态估计器，它可以根据帧与帧之间的时间跨度和人物外貌的特点，在视频中生成高精度的姿态标注，并利用自评模型筛选高质量的标注，并通过自动化的 fine-tune 训练方法将其个性化，相比于通用的 ConvNet，对目标视频的姿态估计得到了大幅提升，表现比现有方法更好。

    Nov, 2015

  • 个性化 3D 人体姿势和形状优化

    我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联，以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移，从而有效地整合和利用人体外观信息。通过最小化投影损失，我们可以将像素级位移转化为可见顶点级位移，并用于三维模型的优化。在 3DPW 和 RICH 上，我们通过不同的优化过程对多个模型的初步估计进行了优化，结果表明我们的方法不仅能够使图像与模型更好地对齐，还能提高三维的准确性。

    Mar, 2024

  • D3PRefiner：一种基于扩散的 3D 人体姿势优化方法

    使用单眼相机进行三维人体姿态估计存在深度模糊问题，本文提出了一种基于扩散的三维姿态优化器 (D3PRefiner)，通过神经网络学习噪声姿态和真实姿态之间的映射关系，从而大幅提高当前的三维姿态估计性能。

    Jan, 2024

  • DeepPose: 使用深度神经网络进行人体姿势估计

    本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

    Dec, 2013