BlazePose:设备端实时人体姿态追踪
MovePose 是一种为 CPU-based 移动设备上的实时人体姿势估计而设计的优化轻量级卷积神经网络,具有高精度和实时性能。
Aug, 2023
BlazeFace 是一个轻量且表现良好的人脸检测器,适用于移动 GPU 推理,能够以 200-1000+FPS 的速度运行。它可应用于需要准确面部区域的增强现实流水线,作为 2D / 3D 面部关键点或几何估计,面部特征或表情分类以及面部区域分割的输入。我们的贡献包括一个轻量级的特征提取网络、一个从 SSD 修改的 GPU 友好型锚点方案以及一种改进的连接决策策略。
Jul, 2019
BlazePose GHUM Holistic 是一种轻量级神经网络模型,专门用于实时在设备上进行 3D 人体地标和姿势估计,包括阿凡达控制、健身追踪和 AR / VR 效果等,并具有 3D 真实数据获取的新方法、额外手部地标的更新的 3D 身体追踪和从单眼图像中完整身体姿态估计的主要贡献。
Jun, 2022
本文将基于 OpenPose 的从下往上的方法适配多人姿态估计架构用于边缘设备,并提出了相应的网络设计和后处理代码优化,实现了 28fps 和 26fps 的帧率,模型参数为 4.1M,GFLOPs 为 9B,是基准 2 阶段 OpenPose 复杂度的 15% 。
Nov, 2018
本文研究如何设计有效的单支脚神经网络用于在边缘设备上进行实时多人姿态估计,移除高分辨率分支,增强模型容量并大大减少计算成本,提高了姿态估计的效率和性能。
May, 2022
该论文提出了一种基于最新的人体检测和视频理解技术的轻量化人体关键点估计和跟踪方法,在帧级别和短视频片段中进行关键点估计,并进行轻量级跟踪,领先于多项竞争者,成为 2017 年 ICCV PoseTrack 的关键点跟踪挑战的最佳表现。
Dec, 2017
本研究提出了一种新的机器学习流程和网络接口,可对实时视频进行人姿态识别,检测特定健身运动并进行分类,主要贡献包括一种基于关键点和时间序列的轻量级分类方法和一个基于 Web 的软件应用程序,实时获取和可视化结果。
Mar, 2022
本文提出了一个高效的框架来解决人体姿势估计的问题,通过可微分神经架构搜索方法来个性化定制网络设计,并介绍了空间信息校正模块来提高最终预测的效果。实验结果表明,我们的最小模型只有 0.65 GFLOPs,在 MPII 上具有 88.1% 的 [email protected],并且我们的大型模型只有 2 GFLOPs,而其准确性与最先进的大型模型 HRNet 相当 。
Dec, 2020
本文介绍如何使用神经网络模型进行多摄像头人体姿势估计,在考虑多角度遮挡及联合位置不确定性情况下,使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法,我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。
Aug, 2021