混合密集回归用于物体检测和人体姿态估计
本文提出了一种基于多模式混合密度网络的方法,可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明,我们的方法具有先进的性能,并且可以用于针对 2D-3D 反问题的多解决方案。
Apr, 2019
本文提出了一种混合分类 - 回归框架,用于解决计算机视觉中单个 2D 图像中的 3D 姿态估计问题,该方法能够捕捉多模态姿态分布,通过使用分类网络产生离散多模态姿态估计和回归网络产生连续的优化结果,实现了多个分类 - 回归模型,其中一些在具有挑战性的 Pascal3D + 数据集上达到了最新水平的性能表现。
May, 2018
提出了一种混合线性回归方法来进行头部姿态估计,通过使用未监督的流形学习技术和回归混合来映射面部边界框的高维特征向量,并对该算法的四个变体进行了充分的基准测试。
Mar, 2016
本文提出了一种基于深度学习的新方法(HMDN),用于解决基于图像预测 3D 手模型的姿态参数的问题,该方法可以处理自我遮挡问题,并在两个有遮挡的数据集上超越现有的方法。
Nov, 2017
本文提出了一种新的具有可学先验的空间混合模型来实现感知分组。 该方法将对象的属性划分为 “形状” 和 “外观”,并通过神经网络分别建模。 在感知分组数据集上进行的广泛实证测试表明,所提出的方法在大多数实验配置下优于现有的方法。
Feb, 2019
研究单视图和部分遮挡视图下获取人体的密集三维重建问题,建议通过合适的三维模型参数化人体形状和姿势,学习一种多假设神经网络回归器,约束每个假设位于合理人体姿势的流形上,并且在标准 3D 人体基准和重度遮挡版本中,该方法表现出优异的处理模糊姿态恢复的性能。
Nov, 2020
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
该研究提出了一种新的机器学习模型 —— 图混合密度网络,可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明,该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出,并可应用于随机传染病模拟等领域,且能有效提高结果的预测不确定性。
Dec, 2020
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
本研究提出了一个称为 HybridPose 的混合模型,通过最大化两种方法的优点来互相克服它们的缺点,同时引入自相关损失来注入关键点坐标和可见性之间的空间依赖性,从而在不降低姿势估计准确性的情况下展示了关键点的可见性。
May, 2023