使用时域卷积和半监督训练进行视频中三维人体姿态估计
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
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
本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力,通过将时间维度编码在卷积空间中的第三个维度,直接回归到 3D 坐标空间中的人体关节位置,从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。
Aug, 2016
本文提出了一种基于卷积神经网络的深度学习方法,用于单目 3D 人体姿态估计,具有高精度和更好的野外场景泛化能力,可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练,并在具有挑战性的野外数据上实现了最先进的准确性。
Apr, 2019
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
本文介绍了一种利用自监督学习估算不需要人工标注的静态背景下单个人物的 2D 视频帧生成 3D 人体姿势的方法。作者采用射线投射技术进行人体模板的渲染,使神经网络可以对渲染结果进行优化,从而获得了令人满意的结果。
Oct, 2022
本文提出了一种用于从单个 RGB 图像中估计人类姿势的统一方法,通过联合推理 2D 关节估计和 3D 姿势重建来改善两个任务,并使用可信的 3D 地标位置知识来对更好的 2D 位置进行搜索,并通过多级卷积神经网络架构综合了 3D 人体姿势的概率知识,并在 Human3.6M 数据集上进行了端到端的训练,最终获得了在 2D 和 3D 误差上优于之前方法的最新结果。
Jan, 2017
本文提出了一种通过多视角的训练,使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法,并提出了一种联合估计相机姿态及人体姿态的方法,在 3D 人体姿态估计方面取得了良好的表现。
Mar, 2018
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