ECCVJul, 2020

Graph-PCNN: 基于图像姿态修正的两阶段人体姿态估计

PDF
TL;DR本研究提出了一种基于图形回归的人体姿态估计框架，其中包含定位子网和图形姿势细化模块，通过不同的视觉特征提取以及探讨关键点之间的关系，显著提高了精度。在 COCO 数据集上，该模型达到了 76.8％的平均精度，达到了当前最新水平。
human pose estimationheatmap regressiongraph-based frameworklocalization subnetgraph pose refinement module
发现论文，激发创造
  • 循环人体姿态估计

    本文提出了一种新颖的 ConvNet 模型，可预测图像中的 2D 人体姿势，通过回归每个关键点的热度图表示，并能够学习和表示部件外观和配置上下文。模型可以从头开始和端到端训练，用于改善性能的辅助损失。该模型在两个基准数据集上进行了评估，具有与最先进技术相当的性能，但不含有图形模型阶段（或层）的复杂性。

    May, 2016

  • 带有空间上下文信息的人体姿态估计

    本文探讨了空间背景信息在人体姿态估计中的重要性，提出了利用上下文信息的 Cascade Prediction Fusion 和 Pose Graph Neural Network 两个模块。在 MPII 和 LSP 基准测试中，实验结果表明我们的方法始终优于以前的方法。

    Jan, 2019

  • 基于图像的多视角 3D 多人姿态估计

    本文介绍了一种从多个校准相机视角估计多个人的 3D 姿势的方法，通过使用图神经网络以及特定任务的模块实现了高性能、低计算复杂度的结果。

    Sep, 2021

  • 用于单阶段多人姿态估计的混合模型

    本研究提出了一个称为 HybridPose 的混合模型，通过最大化两种方法的优点来互相克服它们的缺点，同时引入自相关损失来注入关键点坐标和可见性之间的空间依赖性，从而在不降低姿势估计准确性的情况下展示了关键点的可见性。

    May, 2023

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 多人姿态估计的可微分分层图分组

    本文提出了一种新的人体部分聚类方法，即可学习的分层图聚类 (HGG) 方法，用于底层多人姿态估计任务，并证明该方法可以提高底层姿态估计方法的性能。

    Jul, 2020

  • Pose2Mesh: 从二维人体姿势恢复三维人体姿势和网格的图卷积网络

    使用图卷积神经网络的三维人体姿态估计方法 Pose2Mesh 直接从二维人体姿势估计三维网格顶点坐标，避免出现影响训练数据的外部环境的干扰，并且在多个基准数据集上优于以往的方法。

    Aug, 2020

  • 基于迭代图滤波网络的三维人体姿态估计

    本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

    Jul, 2023

  • 基于热图引导的自适应关键点排序的底层人体姿态估计

    本文介绍了一种基于向下拼接的人体姿态估计框架，其中通过关键点检测和聚类两个阶段进行处理。在该框架下，本文提出了多种方案，包括使用关键点热图进行像素级别的关键点回归、采用像素级别空间变换网络学习适应性表示处理尺度和方向差异并提高关键点回归质量，以及使用联合形状和热值评分方案提升预测姿态的可靠性，最终获得了最先进的人体底部向上姿态估计结果。

    Jun, 2020

  • 级联金字塔网络用于多人姿势估计

    本研究提出了一种名为 CPN 的多人姿态估计的网络结构，该算法采用自上而下的流程首先生成人体边界框，然后在每个边界框内使用 CPN 进行关键点的定位，实验结果显示与 COCO 数据集上的平均精度 73.0 和 72.1 相比，相对提高了 19%

    Nov, 2017