联合头部和人体检测的关系学习
本研究利用全局 CNN 模型和成对 CNN 模型来检测自然场景下的人头部位,通过引入新的数据集进行测试,结果显著提高了人头部位检测的准确性,并优化了检测速度。
Nov, 2015
本文提出了一种名为 Double Anchor R-CNN 的框架, 处理拥挤场景下的人体检测,通过身体和头部匹配双重先验区域提出与提出交叉策略以及联合的后期处理模块,实现在拥挤场景下同时检测每个人的头部和身体,并在 CrowdHuman, COCOPersons(拥挤子数据集)和 CrowdPose(拥挤子数据集)数据集上取得了最新颖的结果。
Sep, 2019
本文提出了一种基于 CNN 的新型扩展目标表示法,将人体部位的中心偏移量集成到一个统一的对象表示中,并构建了一种密集的一阶通用身体 - 部位联合检测器 (BPJDet),利用多任务优化来处理多项任务,以实现身体部位的联合检测,从而改进了人体和部位检测的联合检测,且在保持高检测精度的同时,能达到与同类器具相比的最先进的联合检测性能。
Apr, 2023
本研究中,我们提出了一种联合检测深度学习模型,用于解决在高密度人群中识别和跟踪行人的问题,实验数据表明,该模型在小型和中型行人检测方面取得了最先进的结果。
Apr, 2023
本文提出了一个异构多任务学习框架,用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计,同时学习姿势 - 关节回归器和滑动窗口身体部位检测器,并证明包含身体部位检测任务有助于正则化网络,并指导其收敛于良好解决方案,并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明,我们的网络中间层中学习的神经元针对局部身体部位进行了优化。
Jun, 2014
本文提出了一种新的数据驱动方法,通过将人体作为弱语义引导,将人类皮肤检测与人体识别结合起来,构建双任务神经网络实现半监督学习,对皮肤和人体分别进行检测,并在实验中证明了该网络的有效性及优于现有最佳水平的皮肤检测能力。
Aug, 2019
该文章提出了一种新的深度网络架构,它可以跟踪城市场景中的多个人物并解决遮挡问题,同时使用计算机图形学的数据集进行训练,取得了良好的跟踪效果。
Mar, 2018
本论文针对人群姿态估计的问题,提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性,使其在人群场景下获得了与当前最先进方法相媲美的结果。
Jul, 2019