本文提出了一种基于多尺度领域自适应模型以及一种在线粗到细的伪标签更新策略的方法来解决动物姿势估计中标签不足的问题，并在未见过的领域和未见过的动物类别上进行了广泛测试，取得了还不错的实验效果。

Mar, 2021

该论文提出了一种名为 AdaptPose 的端到端框架，通过生成合成的 3D 人体动作数据，并在新数据集上通过微调来提高 3D 姿态估计模型的泛化能力，该方法成功地比之前的交叉数据集评估方法和使用部分 3D 注释的半监督学习方法改进了 14% 和 16%。

Dec, 2021

通过新的 sim2real 域转移方法，我们在未配对的图像转换框架中对外观、形状和姿势进行了显式和独立的建模，并在无需手动注释目标域的情况下，在 Drosophila melanogaster（果蝇）、Caenorhabditis elegans（蛔虫）和 Danio rerio（斑马鱼）上实现了改进的姿势估计准确性，从而捕捉神经回路编排行为的姿势。

Jan, 2020

我们提出了一种多层次域适应方法，利用图像风格转换、对抗训练和自监督学习来同时在图像、特征和姿态水平上进行域间对齐，实现了在姿态估计中的显著改进，超越了现有最先进算法，对人体姿态的改进高达 2.4％，对狗的改进高达 3.1％，对羊的改进高达 1.4％。

Apr, 2024

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

本文提出了一种无需使用人工注释标签，仅仅利用丰富真实数据和易获得合成数据标签的方法，通过姿态表示有效地建立了合成和真实域之间的桥梁，以学习在真实图像上进行多人身体部位分割的方法，并显示该方法表现出与需人工标注标签的现有方法可媲美的效果。

Jul, 2019

使用合成的经验姿势先验从未标记图像中估计 2D 鼠标身体姿势的方法可以在缺少注释的情况下探测和测量动物行为，展示了对其他动物物种的潜力。

Jul, 2023

本文提出了一种基于姿态解耦和适应网络（PDA-Net）的跨数据集人员再识别方法，该方法通过学习深层次图像表示对姿态和域信息进行解耦，并形成跨域姿态不变的特征空间，使其具有不错的准确性。

Sep, 2019

本文介绍了使用深度学习模型结合 AwA Pose 数据集识别四足动物关键点的研究成果，该数据集涵盖了较多动物种类及关键点数量，可以帮助计算机视觉领域研究构建更准确的模型。

Aug, 2021

SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案，使用深度学习技术自动提取关键点，无需人工标记，并可应用于超过 45 种物种。

Mar, 2022