Jan, 2020

二维手部姿态估计的非参数结构正则化机器

PDF
TL;DR我们提出了一种新颖的非参数结构规范化机器用于 2D 手势估计，通过采用级联多任务架构和使用合成的手部掩模表示来学习手部结构和关键点表示，进一步采用概率表示和解剖学启发式技术，实验结果显示，显式地强制结构学习可以显著提高基线模型的姿态估计准确性，可成为用于其他姿态估计模型的通用附加模块。
hand pose estimationnonparametric structure regularization machinesynthetic hand mask representationsstructure learningpose estimation accuracy
发现论文，激发创造
  • 使用解剖学特征和迭代学习进行自监督优化的手势估计方法

    研究报告提出了一种自我监督学习框架，结合手势估计和手势识别，用于解决手势识别在复杂场景中的困难，以提高手动组装场景下的活动识别的准确性和鲁棒性。

    Jul, 2023

  • DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计

    通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。

    Aug, 2018

  • 基于姿势引导的结构化区域集成网络用于级联手部姿势估计

    本文研究了从单个深度图像中估计手势姿态的问题，提出了一种基于姿态引导的结构化区域集合网络，该方法在公共手势数据集上的实验结果表明它比现有的最先进算法表现更好。

    Aug, 2017

  • 基于单深度图像的稳健三维手部姿势估计：从单视角 CNN 到多视角 CNN

    该论文提出了一种新方法，利用多视角投影和学习的姿态先验，通过多视角热图来回归手部姿态，最终得出三维手势估计，实验表明该方法在难以应对的数据集上取得了优异表现。

    Jun, 2016

  • 基于模型的自监督学习实现的 3D 手部重建

    本文提出了一种利用自我监督的三维手部重建网络，通过利用易于提取的二维关键点从输入图像中获取几何线索，并通过一套新颖的损失函数推理出网络输出，以进行精确的手部重建。与使用手动标注数据训练的方法相比，我们的方法减少了对手动标注的依赖，并展示了在更少的监督数据下达到可比较的性能。

    Mar, 2021

  • Hand3D：使用 3D 神经网络进行手部姿态估计

    使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。

    Apr, 2017

  • 手势姿势估计的密集三维回归

    该研究提出了一种基于单个深度帧的三维手部姿态估计方法，通过像素级别的估计实现高效准确地实现骨架姿态估计，并在 MSRA 和 NYU 手部数据集上，其方法实现了最好的性能。

    Nov, 2017

  • 循环 3D 姿势序列机

    本文介绍了一种基于递归 3D 姿态序列机器（RPSM）的方法，利用多级顺序细化来自动学习图像相依结构约束和序列相依时间上下文，以提高准确的 3D 姿态序列预测，在人类行为数据集 Human3.6M 和 HumanEva-I 数据集方面的评估显示，我们的方法优于所有最先进的 3D 姿态估计方法。

    Jul, 2017

  • 深入的三维手部姿态估计良好实践

    本文提出了一种基于区域集成网络技术的 3D 手部姿态估计方法，通过引入数据增强和平滑 L1 损失来提高卷积神经网络的性能并实现手部关节的定位精度，实验结果表明该方法在三个公共数据集上均达到了最佳表现，并在手指尖检测和人体姿态估计上取得了最高精度。

    Jul, 2017

  • 通过自监督学习实现视频中一致的 3D 手部重建

    提出了一种通过自监督学习从单目视频中重构 3D 手部模型的方法，利用 2D 手部关键点和图像纹理约束进行姿态、形状、纹理、相机视角的估计，达到与全监督方法相似的重构性能，尤其是在视频训练数据下可以显著提高重构精度和一致性。

    Jan, 2022