基于关系网络的 3D 人体姿态估计
本研究提出了一种基于深度学习的方法,结合独立对象的预测和对象间关系的推理,实现场景中物体的三维形状和姿态预测,并在不同数据集上进行了性能测试。
Jun, 2019
该论文提出了一种基于摄像机中心坐标系的神经网络,可以在单个步骤中预测关节位置,取得了当前最先进的结果,适用于 3D 人体姿势估计和 MuPoTS-3D 数据集。
Apr, 2019
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
本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法,该方法借助于过度完备的自动编码器并考虑关节从属关系,优于现有技术,包括结构保留和预测准确性两方面。
May, 2016
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
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
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
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
使用深度卷积神经网络和图形模型,从单个静态图像中估计人的关节姿势,利用局部图像测量,定义图形模型并尝试预测它们之间的空间关系,从而充分利用图像相关联的先验知识。
Jul, 2014