三维人体姿态估计的序数深度监督
本文提出了一种使用卷积神经网络进行端到端学习的3D人体姿势估计方法,通过CNN学习找出相对于其他关节的相对3D位置,并通过将2D姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的3D姿势。实验结果表明,该方法在Human 3.6m数据集上实现了与最先进方法可比较的性能。
Aug, 2016
本文探讨了通过 2D 姿态估计和 3D 运动捕捉数据简单推理得出三维人体姿态的方法,并演示了该方法优于目前大部分直接由 2D 测量回归三维姿态估计系统的现有方法。
Dec, 2016
本文提出了一种基于几何驱动的方法来自动收集人体姿势预测任务的准确的三维人体姿势标注,利用多视角设置、相机设置的 3D 几何和人体身体结构的约束,将每个视图的 2D ConvNet 预测概率组合成全局最优 3D 姿态。
Apr, 2017
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
本文提出了一种基于深度排序的两阶段方法DRPose3D来解决3D人体姿态估计问题,该方法通过深度分类提取深度排序,再利用Pairwise Ranking卷积神经网络进行处理,并引入统计方法来增强模型的泛化性能,实验结果表明该方法在人体姿态估计领域超过了最先进算法。
May, 2018
该研究提出了一种新的3D人体姿态估计方法,即利用肢体方向与肢体区域的边界框一起表示3D姿态,并且通过简单的方法在多项基准测试中取得了良好的结果,该方法具有较好的泛化性能。
Nov, 2018
本文提出了一种基于深度有条件变分自编码器的模型,通过合成以估计的 2D-pose 为条件的不同解剖学合理的 3D-pose 样本集,解决了 2D-to-3D lifting 中的内在歧义问题,并提出了两种策略用于获取最终的 3D 姿态,并在两个基准数据集上报告 OrdinalScore 接近最先进的结果。
Apr, 2019
本文提出一种利用深度图像结合卷积神经网络实现快速且可靠的多人姿态估计算法的方案,可以有效地应用于人机交互领域;具体贡献包括提出了基于残差块的快速网络、构建了包括170k多张人体合成图像与真实标注数据在内的公开数据集用于评估,证明了该模型在真实数据上性能良好。
Oct, 2019
本文提出了Hierarchical Multi-person Ordinal Relations (HMOR) 的方法来解决 monocular RGB 相机下 3D multi-person 姿态估计问题,通过构建一个多层的ordinal relation 层级结构从而提高了模型的全局连贯性,进而设计了一套集成的 top-down 模型,在 coarse-to-fine 的框架下同时估计bounding boxes, depths和 root-relative 3D poses,以此达到更加精确的深度估计。与之前的SOTA方法相比,本文的方法在公开的多人3D姿势数据集上取得了显著的优势,且计算复杂度更低、模型参数更少。
Aug, 2020