CVPRFeb, 2020

将密集姿态技术应用于邻近动物类别

PDF
TL;DR通过在类人动物中的浓密姿态识别模型和对象检测器和场景分割器中的知识转移，以及使用多头的 R-CNN 体系结构和自校准不确定性头来训练新的动物类别的模型，实现了在其他类别中的浓密姿态识别，特别是在黑猩猩类中表现优异。
dense pose recognitionanimalstransfer learningr-cnn architecturechimpanzees
发现论文，激发创造
  • DensePose 3D：将关节物体的规范表面贴图提升到第三个维度

    本文提出了一种名为 DensePose 3D 的方法，通过弱监督机器学习从二维图像注释中实现基于单目视觉的带关节物体（例如人和动物）的三维重建，同时通过利用 Laplace-Beltrami 算子的平滑特征函数将物体分解成部分，再预测它们的运动以在 2D DensePose-like 表面注释中正确地重影，与基于非刚性结构运动的最新基线方法相比，在合成和真实数据上对人和动物进行了显著改进。

    Aug, 2021

  • 动物姿势估计的跨域适配

    本文介绍了一种利用跨域适配方法和人类姿态数据集提升多种动物物种姿态估计的方法。实验表明，该方法可以很好地利用先验知识，并取得令人信服的结果。

    Aug, 2019

  • Slim DensePose: 从稀疏注释和运动线索中进行经济学习

    本文提出了一种更加高效的 DensePose 数据采集策略，即在视频帧中收集标记，并利用视频的动态传播地面真实注释，该方法可以通过提取视频中的运动线索来提高姿态估计结果。

    Jun, 2019

  • 基于 CNN 的视频动物行为识别与姿态估计：综述

    本研究概述了基于卷积神经网络体系结构的人类动作识别和姿态估计方法，并将其用于动物行为分类的技术进化及其架构适应性的分析。

    Jan, 2023

  • 深度姿态姿势特征用于人体检测

    本文通过基于 poselets 的部分方法解决了在自然场景中检测人的问题，并使用 bootstrapping 方法收集了数以百万计的弱标记示例来训练卷积神经网络以区分不同的 poselet 类型和背景类。通过训练 poselet 模型来识别人并有效地预测边界框，其效果在 PASCAL 数据集上达到了最先进的水平。

    Jul, 2014

  • 从密集身体部位学习 3D 人体形状和姿势

    本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

    Dec, 2019

  • 密集姿态转移

    研究使用表面模型建模、神经综合、稠密姿态估计、生成模型等方法，实现人像姿态转换，获得优于 DeepFashion 和 MVC 数据集上基于标记或字符的替代方案的性能提升。

    Sep, 2018

  • 超级动物模型：为动物行为分析预训练的即插即用模型

    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

  • Animal3D: 一份全面的 3D 动物姿势和形状数据集

    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

  • UltraPose: 使用人体解耦 3D 模型合成 10 亿点密集姿态

    通过构建一个新的人体三维模型和数据生成系统，我们构建了一个超高密度的合成数据集 UltraPose，包含大约 13 亿个对应点。与手动注释的现有 DensePose-COCO 数据集相比，我们的 UltraPose 具有超高密度的图像到表面对应关系，具有良好的高复现性和低成本。

    Oct, 2021