Aug, 2020

弱监督生成式网络用于多个 3D 人体姿势假设

PDF
TL;DR本文提出了一种使用弱监督深度生成网络解决逆问题的方法，该网络设计了一个提议分布来逼近未知的多模态目标后验分布，并通过 KL 散度最小化实现近似，并使用平均漂移算法确定最可行的解决方案。实验结果显示，该方法能够生成多个可行的假设，获得了与现有弱监督方法相比的最新结果。
3d human pose estimationweakly supervised learningdeep generative networkmulti-modal posterior distributionstate-of-the-art results
发现论文，激发创造
  • 使用混合密度网络生成多个假设的三维人体姿态估计

    本文提出了一种基于多模式混合密度网络的方法，可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明，我们的方法具有先进的性能，并且可以用于针对 2D-3D 反问题的多解决方案。

    Apr, 2019

  • 走向野外三维人体姿态估计：一种弱监督方法

    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

  • 野外多视角图像下的弱监督 3D 人体姿态学习

    本文提出一种基于弱监督方式，利用多视角数据进行 3D 人体姿势估计的学习框架，包括利用 2.5D 表示法的目标函数，经过测试在两个大规模数据集上达到了半监督 / 弱监督方法的最佳表现。

    Mar, 2020

  • 无监督几何感知表示用于三维人体姿态估计

    本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

    Apr, 2018

  • 从结构和动作学习 3D 人体姿势

    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

  • 相对论：弱监督数据下的单目三维人体姿态估计

    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

  • 自监督单张图像下的三维人体姿态估计

    本论文提出了一种新的自我监督方法，通过训练不带标签的典型姿势图像数据集和未成对的 2D 姿势数据，从而实现了从单幅图像预测 3D 人体姿势的网络映射，可用于快速应用于其他人工结构（例如动物）的姿态估计。

    Apr, 2023

  • 生成与 2D 关键点检测一致的多样化的人体 3D 姿态假设

    本研究提出一种方法，旨在生成多个多样且有效的人体姿态假设，通过使用一种新的生成模型，可以产生整合部分的姿态，该姿态是受解剖约束的三维姿态空间。我们的模型可以应用于各种可能的人类三维姿态，并通过移除模型偏见来帮助生成更多样化的三维姿态假设。

    Feb, 2017

  • 三维人体姿态估计几何感知表示的弱监督发现

    本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

    Mar, 2019

  • 能否仅从 2D 投影中学习 3D 姿态？

    通过弱监督的方法，使用对抗框架和随机投影层来提高 3D 姿势估计的精确度，该方法不需要 2D 和 3D 点之间的对应关系。实验结果表明该方法在人体 3D 姿势估计任务上表现优秀。

    Aug, 2018