ECCVJul, 2020

HDNet: 多人摄像空间定位的人体深度估计

PDF
TL;DR本文提出了一个名为 HDNet 的绝对根关节定位的端到端框架，首先使用关节点的热图估计 2D 人类姿势，并使用这些估计热图作为池化特征和通过骨架图神经网络在关节之间传播特征，并将目标深度回归公式化为一个 bin 索引估计问题，实验结果表明 HDNet 在多个评估指标下始终优于先前的最新技术。
multi-person 3d pose estimationhuman depth estimation networkroot joint localizationgraph neural network2d human pose
发现论文，激发创造
  • 基于深度预测网络的人体姿态绝对估计

    该论文提出了一种基于摄像机中心坐标系的神经网络，可以在单个步骤中预测关节位置，取得了当前最先进的结果，适用于 3D 人体姿势估计和 MuPoTS-3D 数据集。

    Apr, 2019

  • 从单目图像估计多人三维人体姿态

    通过提出的 HG-RCNN 网络，借助 Mask-RCNN 和 Hourglass 结构进行多人 3D 人体姿态估计，实现对每个感兴趣区域（RoI）中 2D 关键点的先预测后提升，最终采用弱透视投影模型和焦距和根偏移的联合优化将估计的 3D 姿态置于相机坐标系下，该网络简单模块化且无需多人 3D 姿态数据集，取得了 MuPoTS-3D 数据集的最优性能，并能近似在相机坐标系下估计 3D 姿态。

    Sep, 2019

  • 基于嵌入式多任务学习的深度图像人体姿态估计

    本文提出一种多任务学习框架，采用深度神经网络进行实现，用于从静止深度图像中预测人体姿态，并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。

    Aug, 2016

  • 3D 人体姿势估计竞赛级联金字塔网络

    该研究提出了一种基于 2D 姿势估计和残差块的 2-3 阶段框架，并在 ECCV2018 PoseTrack Challenge 的验证数据集上取得了有希望的结果。

    Oct, 2018

  • DRPose3D：基于深度排序的三维人体姿态估计

    本文提出了一种基于深度排序的两阶段方法 DRPose3D 来解决 3D 人体姿态估计问题，该方法通过深度分类提取深度排序，再利用 Pairwise Ranking 卷积神经网络进行处理，并引入统计方法来增强模型的泛化性能，实验结果表明该方法在人体姿态估计领域超过了最先进算法。

    May, 2018

  • 使用深度姿态组合的深度图人体姿势估计

    本文通过使用深度学习方法，针对三维深度图像进行建模，提出了一种名为 Deep Depth Pose 的模型，用于估计人体骨骼关节的三维位置，并在 ITOP 和 UBC3V 数据集上达到了最新的最优效果。

    Jul, 2018

  • 基于深度的实时卷积网络人体姿势估计

    本文提出一种利用深度图像结合卷积神经网络实现快速且可靠的多人姿态估计算法的方案，可以有效地应用于人机交互领域；具体贡献包括提出了基于残差块的快速网络、构建了包括 170k 多张人体合成图像与真实标注数据在内的公开数据集用于评估，证明了该模型在真实数据上性能良好。

    Oct, 2019

  • 3D 人体姿态估计的简单而有效的基准线

    通过构建一个借助于当前技术能在控制误差较低前提下从 2D 开环位置中提取 3D 位置任务的相对简单的深度前向网络，我们发现了现代深度 3D 姿态估计系统的可视分析引起的错误是其主要问题。

    May, 2017

  • DeepPose: 使用深度神经网络进行人体姿势估计

    本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

    Dec, 2013

  • 基于神经网络的单张图像人体深度详细估计

    本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图，其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们，并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。

    Oct, 2019