Oct, 2020

利用小数据进行婴儿姿态估计的不变表示学习

PDF
TL;DR本文为解决婴儿动作分析领域中遇到的问题，构建了一个 SyRIP 数据集，提出了一种多阶段不变表示学习策略并进行 fine-tuned 来做域自适应的婴儿姿势估计，经实验证明该方法在当代最先进的 DarkPose 模型上的性能最佳，mAP 达到 93.6。
infant motion analysishuman pose estimationsyrip datasetfine-tuned domain-adapted infant pose estimationdarkpose model
发现论文，激发创造
  • 基于生成先验的高效领域自适应方法用于 3D 婴儿姿势估计

    使用优化方法和生成先验结合对基于小数据集的婴儿 2D 和 3D 姿势估计进行领域自适应，证明 ZeDO-i 方法能够在只有少量数据的情况下获得高效的领域自适应，并在 SyRIP 数据集上取得 43.6 mm、MINI-RGBD 数据集上取得 21.2 mm 的最先进 MPJPE 性能。

    Nov, 2023

  • 视频中自动婴儿二维姿势估计：比较七种深度神经网络方法

    通过比较七种不同的姿势估计方法，对婴儿在仰卧位的视频进行分析，发现除了 DeepLabCut 和 MediaPipe 外，其他方法在无需微调的情况下都表现出竞争力，其中 ViTPose 表现最佳。同时，引入颈中臀比例的错误和其他误测、多余检测以及不同方法的内部置信度评分可靠性的研究，这些都对下游任务有重要意义。

    Jun, 2024

  • AggPose：基于深度聚合视觉 Transformer 的婴儿姿势估计

    本文提出了婴儿姿势数据集和基于注意力机制和多尺度融合的深度聚合视觉 Transformer，称为 AggPose，使用 COCO 姿势数据集预训练 AggPose，然后在我们新发布的大规模婴儿姿势估计数据集上运用该模型，结果显示 AggPose 能够有效地学习不同分辨率之间的多尺度特征，从而显著提高了婴儿姿势估计的性能，并且在婴儿姿势估计数据集中优于 HRFormer 和 TokenPose。

    May, 2022

  • 使用隐式场景表示的通用姿态估计

    本文提出了一种新的 6-DoF 姿态估计模型 i-σSRN，通过在神经渲染器中，将目标位置与渲染场景信息联系起来，从而实现对于不同目标的姿态估计和渲染，显著提高了推理性能和速度。

    May, 2023

  • 神经姿势表示学习用于生成和转移非刚性物体姿势

    我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

    Jun, 2024

  • 基于形状模板变换的无监督人体姿态估计

    本文介绍了一种基于可学习的模板匹配和深度学习特征提取方法，以无监督的方式学习人类成人和婴儿的姿势估计器，特别是在医学环境中，这可能是婴儿神经功能障碍的重要生物标志物。

    May, 2021

  • 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

  • PyraPose: 基于特征金字塔的快速准确物体姿态估计在领域变化下的应用

    使用合成数据训练神经网络的目标位姿估计模型，通过局部到全局的物体信息实现从合成数据到实际场景的位姿估计迁移，该模型在多个标准数据集上的表现超过现有技术 35％，并在现实世界中进行了抓取实验以证明使用合成数据的优势。

    Oct, 2020

  • 姿态和光照不变人脸识别数据增强

    本文提出了一种方法，在不修改深度神经网络本身的结构下，通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力，从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。

    Apr, 2017

  • 从合成图像学习快速准确的 3D 姿态推断的特征映射

    该研究提出了一种基于合成图像的深度网络训练方法，通过使用基于 “范例” 的映射，将合成图像的特征空间映射到实际图像的特征空间中，以此用于 3D 姿态估计的预测。通过实验，该方法在 LINEMOD 数据集中实现了优于现有方法的性能表现。

    Dec, 2017