Jan, 2019

带有空间上下文信息的人体姿态估计

PDF
TL;DR本文探讨了空间背景信息在人体姿态估计中的重要性，提出了利用上下文信息的 Cascade Prediction Fusion 和 Pose Graph Neural Network 两个模块。在 MPII 和 LSP 基准测试中，实验结果表明我们的方法始终优于以前的方法。
human pose estimationspatial contextual informationdeep supervisioncascade prediction fusion (cpf)pose graph neural network (pgnn)
发现论文，激发创造
  • 三维人体姿态估计中的上下文建模：一种统一视角

    在通过单个图像估计三维人体姿势时，由于可能存在多个 3D 关节配置具有相同的 2D 投影，因此存在严重的歧义。本文提出了一种通用的公式来进行上下文建模，比较了 PSM 和 GNN 方法，发现二者互补，提出了基于注意机制的 ContextPose 方法来结合它们的优势，有效地减少了使用错误肢体长度产生的荒谬的 3D 姿势估计的机会，并在两个基准数据集上取得了最新的成果。

    Mar, 2021

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • 逐步生成更好的初始猜测以实现高质量的人体运动预测

    介绍了一种基于多级设计的人体运动预测方法，结合了空间和时间两个因素，通过两个网络，以预测一个好的猜测值为基础，有效提高了预测的精度。该方法在多项实验数据中胜出并实现了超过前人方法 6-16% 的提升。

    Mar, 2022

  • 使用全局和局部归一化的人体姿态估计

    本文解决了人体关节位置估计的问题，提出了基于卷积神经网络的空间姿态模型优化方法，包括人体细节归一化，肢体归一化，以及多尺度监督和融合。实验表明，该方法在基准测试中表现优于现有的最佳方法。

    Sep, 2017

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 多人姿态估计与语义部位分割

    该研究提出了一种基于全卷积神经网络和条件随机场的联合框架，旨在同步解决人体姿态估计和语义部位分割问题，并在 PASCAL VOC 数据集上进行了广泛实验，显示该算法在这两个任务上均优于竞争方法。

    Aug, 2017

  • 通过结合间接部位检测和上下文信息进行人体姿势回归

    本研究提出了一种端到端训练的回归方法，使用 Soft-argmax 函数将特征映射直接转换为关节坐标，避免了人工生成的基准图像，使得上下文信息可以无缝地包含在姿势预测中。实验证明该方法在人类姿势估计方面具有较高性能，可应用于多种复杂数据集。

    Oct, 2017

  • Graph-PCNN: 基于图像姿态修正的两阶段人体姿态估计

    本研究提出了一种基于图形回归的人体姿态估计框架，其中包含定位子网和图形姿势细化模块，通过不同的视觉特征提取以及探讨关键点之间的关系，显著提高了精度。在 COCO 数据集上，该模型达到了 76.8％的平均精度，达到了当前最新水平。

    Jul, 2020

  • 时空 MLP 图网络用于 3D 人体姿势估计

    提出一种新的空时网络架构，通过加权雅可比特征传播规则实现了图卷积网络在 3D 人体姿势估计上的有效性。

    Aug, 2023

  • 社交和情境感知的人体运动和姿势预测

    本文提出了一种新的框架来处理机器人导航中预测人类动态的问题，该框架将人类运动（或轨迹）和骨骼姿态预测这两个任务统一起来，并考虑到了场景和社交上下文等多种因素，最终在两个社交数据集上表现优异。

    Jul, 2020