野外多视角图像下的弱监督 3D 人体姿态学习
本文提出了一种自我监督的方法,利用未标注的多视角数据学习单图像三维姿态估计器,通过多视角一致性约束将观察到的二维姿态分离成基础的三维姿态和相机旋转,并且提出了新的、无偏的重建目标函数,跨视角和训练样本混合信息。该方法在两个基准数据集(Human3.6M 和 MPII-INF-3DHP)和野外 SkiPose 数据集上进行了评估。
Nov, 2020
本文提出了一种混合 2D 和 3D 标签的深度神经网络,通过弱监督迁移学习的方法,将控制实验室环境下的 3D 姿态标签转移到野外图像,使用共享表示直接训练完成增强的 2D 姿态估计子网络和 3D 深度回归子网络,并引入 3D 几何约束来规范 3D 姿态预测,以在无底深度标签的情况下提高准确度。该方法在 2D 和 3D 基准测试中均取得了优异的结果。
Apr, 2017
通过弱监督学习和人群注释者提供的深度相对估计信号,我们提出一种 3D 人体姿势估计算法,用于只在 2D 输入图像中学习。结果竞争力优于目前现有算法,可为在未经过精心控制的现实世界中进行 3D 姿势估计开辟道路。
May, 2018
本文提出了一种基于卷积神经网络的深度学习方法,用于单目 3D 人体姿态估计,具有高精度和更好的野外场景泛化能力,可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练,并在具有挑战性的野外数据上实现了最先进的准确性。
Apr, 2019
本文提出了一种通过多视角的训练,使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法,并提出了一种联合估计相机姿态及人体姿态的方法,在 3D 人体姿态估计方面取得了良好的表现。
Mar, 2018
提出了一种基于 CNN 的方法,利用现有的 3D 姿势数据和 2D 姿势数据进行迁移学习,在真实场景中实现了最先进的性能,同时引入了一个人类身体姿势估计的新训练集,并提出了一个覆盖室内和室外场景的新基准。
Nov, 2016
研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据,使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。
Apr, 2019
该论文提出了一种基于多视角视频的多视角一致半监督学习框架,利用未经注释、未校准但同步的多视角视频中的姿态信息相似性作为额外的弱监督信号来引导 3D 人体姿势回归,该方法通过硬负采样来建立多视角一致的姿态嵌入,并结合有限的 3D 姿态注释来完善该模型,从而在两种公开数据集上实现了视角不变的姿态检索。
Aug, 2019
使用两种解剖启发的损失函数和弱监督学习框架,结合大规模野外 2D 和室内 / 合成 3D 数据共同学习人体姿态估计。还提出了一个简单的时间网络来调和预测的姿态序列,并通过损失表面可视化和敏感性分析仔细分析了所提出的贡献的工作机制。我们的完整流程在 Human3.6M 和 MPI-INF-3DHP 上分别提高了 11.8%和 12%,并在普通图形卡上以 30 FPS 运行。
Nov, 2017
本文提出了一种利用 RGB-D 图像进行弱监督训练的网络,用于多人绝对姿态估计,可缓解缺乏大规模、多样化数据集的问题,并在多个数据集中实现了持续的错误率改进与在 MuPoTS-3D 数据集上的全球领先结果
Apr, 2020