Nov, 2020

RealHePoNet: 用于野外头部姿态估计的强大单阶段 ConvNet

PDF
TL;DR使用单个卷积神经网络模型和两个数据集进行训练，成功创建了一个精度和推理速度兼顾的头部姿势识别系统，可在实际应用中使用，实测误差平均仅为 4.4 度，推理时间仅为 6ms。
human head pose estimationconvolutional neural networkfacial landmarksreal-world imagesinference speed
发现论文，激发创造
  • PoseNet：一种用于实时六自由度相机重定位的卷积网络

    本文提出了一个稳健而实时的单目六自由度重定位系统，使用卷积神经网络训练完成，无需其他工程或优化过程。

    May, 2015

  • WHENet：用于广泛头部姿态实时细粒度估计的模型

    我们设计了一个端到端的头部姿势估计网络，可从单个 RGB 图像预测欧拉角的全范围头部偏航。WHENet 是第一个适用于完整头部偏航范围的细粒度现代方法，同时也满足或超越了前沿的头部姿态估计方法。

    May, 2020

  • 不需要关键点的细粒度头部姿态估计

    使用卷积神经网络从头部图像直接预测欧拉角度量（偏航角，俯仰角和横滚角），以代替传统的人头模型法进行姿态估计，并在常用数据集上取得了最优结果。

    Oct, 2017

  • 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

  • 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

  • 单目全向俯视图中的人体姿态估计

    该研究提出了一个新的数据集（THEODORE+），用于训练和评估卷积神经网络（CNNs）在全景相机中识别人体姿态，以及针对 THEODORE + 数据集的四种重新训练或微调神经网络的训练方法，并在 PoseFES 数据集中取得较明显的改进。

    Apr, 2023

  • 野外多任务头部姿态估计

    通过深度学习的多任务方法，提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构，相比现有技术，在头部姿势和可见性方面均取得了最佳表现，在人脸对准方面也达到了和现有技术同等的状态。

    Feb, 2022

  • 多阶段 HRNet: 用于人体姿态估计的多阶段高分辨率网络

    本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型，并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置，从而在 COCO 数据集上取得了 77.1 AP 得分。

    Oct, 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

  • 使用三维卷积神经网络实现时空人体姿态估计

    本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力，通过将时间维度编码在卷积空间中的第三个维度，直接回归到 3D 坐标空间中的人体关节位置，从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。

    Aug, 2016