使用时间流图进行肢体姿态估计和跟踪
本文提出了一种在线多人姿态跟踪方法,通过构建时空网络,利用多人姿态估计方法的空间网络提取图像特征和姿态特征,预测时间流场,并在二分图优化问题中使用相似性作为二元潜势实现多姿态追踪,展示了相对较小的CNN网络可以学习这些TFF,同时实现最先进的多人姿态跟踪结果。
May, 2018
本文提出了一种在线方法,可以有效地同时检测和跟踪视频序列中多个人的2D姿态,使用基于PAF表示的STAF编码和预测跨越视频序列的时间和空间亲和力场,使用递归神经网络使总体方法递归化,并且只使用在线推断和跟踪,不随场景中人数的运行时不变性和输入帧率的准确性不变性,使单GPU上的运行速度为约30fps, 在PoseTrack基准测试中取得了极具竞争力的结果。
Nov, 2018
本文提出了一个统一的框架,用于实现多人姿态估计和跟踪,包含两个主要组件 SpatialNet 和TemporalNet,其中 SpatialNet 在单帧中实现了身体部位检测和部位级别的数据关联,而TemporalNet 则将连续帧中的人类实例分组为轨迹。
Mar, 2019
通过对稀疏标注的训练视频进行PoseWarper网络训练,提出了一种减少需要稠密注释的方法,并借助变形卷积来隐式学习姿态变形,从而在全视频范围内生成姿态注释,并可能改善姿态估计的准确性。
Jun, 2019
借助多尺度空间特征和多步幅时间卷积网络,在设计A的基础上,B通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性,并利用2D视频数据注入半监督学习能力。实验证实了该方法的有效性,并且消融研究表明我们网络的单个子模块的优势。
Apr, 2020
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
该研究提出了一种运动姿势和形状网络(MPS-Net)来有效地捕捉视频中的运动并从中估计准确的和时间连续的三维人体姿态和形状。MPS-Net利用运动连续性注意力(MoCA)模块和分层注意特征融合(HAFI)模块以提高运动姿势的精度并使用更少的网络参数。
Mar, 2022
本文针对视频中的姿态估计面临的复杂场景问题,提出了一种新颖的联合运动互学习框架,专注于提取局部关节依赖与全局像素级运动动态。研究显示,该方法在多个具有挑战性的基准测试中表现优于现有技术,展示了其潜在的广泛影响。
Aug, 2024