CVPRNov, 2020

MEBOW: 野外单目身体定位估计

PDF
TL;DR本研究介绍了 COCO-MEBOW 数据集和一种新的基于三重信息的解决方案来改善人体方向和 3-D 姿势估计。该解决方案通过单张图像从 COCO 数据集中的约 130K 人形体实例中预测姿势和方向标签，证明了在人的姿态识别中 COOM- MEBOW 数据集具有很高的实用价值。
body orientation estimationmonocular estimation of body orientation in the wild3-d human pose estimationcoco datasettriple-source solution
发现论文，激发创造
  • 野外单目 3D 人体姿势估计基于优化 CNN 监督

    提出了一种基于 CNN 的方法，利用现有的 3D 姿势数据和 2D 姿势数据进行迁移学习，在真实场景中实现了最先进的性能，同时引入了一个人类身体姿势估计的新训练集，并提出了一个覆盖室内和室外场景的新基准。

    Nov, 2016

  • 野外无监督单目 3D 人体姿态估计 CanonPose

    本文提出了一种自我监督的方法，利用未标注的多视角数据学习单图像三维姿态估计器，通过多视角一致性约束将观察到的二维姿态分离成基础的三维姿态和相机旋转，并且提出了新的、无偏的重建目标函数，跨视角和训练样本混合信息。该方法在两个基准数据集（Human3.6M 和 MPII-INF-3DHP）和野外 SkiPose 数据集上进行了评估。

    Nov, 2020

  • 野外单目三维人体姿态估计的普适性推广

    研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据，使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。

    Apr, 2019

  • 野外场景下的全身人体姿态估计

    本文介绍了 COCO-WholeBody 数据集和 ZoomNet 网络模型，通过使用这些技术，能够更准确地进行人体姿态估计。

    Jul, 2020

  • 利用显式 2D 特征和中间 3D 表示进行野外人体姿势估计

    本文提出了一种基于卷积神经网络的深度学习方法，用于单目 3D 人体姿态估计，具有高精度和更好的野外场景泛化能力，可以联合在具有 3D 标签和仅有 2D 标签的图像数据上进行训练，并在具有挑战性的野外数据上实现了最先进的准确性。

    Apr, 2019

  • 野外单目全身捕捉：头、身体和手势的姿态捕捉

    本文提出了一种从单目视角输入捕获目标人物 3D 运动的方法，利用 3D 可变形网格模型重建运动，使用 3D 部分方向场对所有身体部位的 3D 方向进行编码，在训练集和性能评估方面表现良好，并在各种挑战性的野外视频上演示了总体运动捕捉的结果。

    Dec, 2018

  • 使用卷积神经网络进行人体方向估计

    提出一种基于轻量级卷积神经网络的人体方向估计方法，用于改善面向服务型机器人应用中用户与机器人面对面交互时的限制，该方法在基准数据集和自行构建的数据集中分别达到了 81.58% 和 94% 的准确率，并可用于多种对估计人体方向敏感的面向服务型机器人应用，同时欲演示该方法对面部检测率的提升。

    Sep, 2016

  • 基于深度学习的多视角图像全身运动学估计

    本文提出了一种基于多视图图像的直接关节角度估计方法，通过结合体态姿势表示法，将旋转表示法映射到一个连续空间中，为现场运动分析提供了一种新的方法。

    Jul, 2023

  • 基于深度学习的单目人体姿态估计方法综述

    本篇论文对基于深度学习的 2D 和 3D 人体姿态估计方法及其挑战、框架、数据集、度量标准、性能比较和未来研究方向进行了综述。

    Jun, 2020

  • 自我姿态：来自头戴式摄像头的 3D 自我姿态估计

    借助底部 VR 设备上安装的鱼眼相机捕捉的单目图像，使用编码器 - 解码器架构和新型多分支解码器，实现了针对自我中心 3D 人体姿势估计的解决方案，并提出了一种大规模的照片逼真的合成数据集 xR-EgoPose。这项工作在合成和实际数据集上与现有算法相比，准确率有大幅提高。

    Nov, 2020