使用野生猎豹的数据，提出一种追踪优化方法来估计远程主体的三维运动学和关节扭矩，结果对动物的运动学和机器人学的研究提供了更深入的见解。

Dec, 2023

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

本文介绍了使用深度学习模型结合 AwA Pose 数据集识别四足动物关键点的研究成果，该数据集涵盖了较多动物种类及关键点数量，可以帮助计算机视觉领域研究构建更准确的模型。

Aug, 2021

通过在动物自然环境下的图片中捕捉 Grevy 斑马的 3D 姿态、形状和纹理信息，为探究动物健康和行为提供了新的路径。该研究开发了一种新的方法，将 SMAL 动物模型与基于网络的回归管道相结合，通过训练合成图片，实现了对斑马形状和姿态的预测，为仅使用光度损失从图像学习形状空间提供了新的途径，并可用于在其他具有受限 3D 监督的情况下学习形状。具体地，该方法称为 SMALST，不仅可以预测动物的 3D 形状、姿态和纹理，而且在预测纹理图的基础上，可以无监督地优化特征。

Aug, 2019

我们介绍了一种针对从野外单眼图像中进行 3D 犬姿势估计的新型基准分析。我们使用了一个多模态数据集 3DDogs-Lab，其中拍摄了不同品种狗在走道上奔跑的情景，并包含了来自光学标记的运动捕捉系统、RGBD 相机、IMU 以及压力垫的数据。为了解决由于光学标记的存在和有限的背景多样性使得所拍摄视频不够真实的问题，我们创建了 3DDogs-Wild，该数据集是对原数据集进行自然处理，消除了光学标记并将被拍摄对象放置在多样的环境中，提高了训练基于 RGB 图像的姿势检测器的效果。我们表明，使用 3DDogs-Wild 进行模型训练可在野外数据上实现更好的性能。此外，我们使用不同的姿势估计模型进行了详细分析，揭示了它们各自的优势和不足。我们相信我们的发现以及提供的数据集将为推进 3D 动物姿势估计提供有价值的见解。

Jun, 2024

动物姿势估计和跟踪（APT）是在一系列视频帧中检测和监测动物关键点的关键任务，是理解动物行为的基础，该研究介绍了 APTv2—— 一个用于动物姿势估计和跟踪的先驱性大规模基准测试集，包含了来自 30 种不同动物物种的 2,749 个经过筛选和收集的视频剪辑，通过手工注释和严格的验证为共 84,611 个动物实例提供了高质量的关键点和跟踪注释。

Dec, 2023

自动捕捉动物姿态正在改变我们对于神经科学和社交行为的学习，本文提出了一种模型和多视角优化方法，用于捕捉鸟类的独特形状和姿态，并引入了一个管道和实验，实现了从单个视角恢复精确的鸟类姿态的关键点、掩码、姿势和形状回归。

Aug, 2020

该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

Jul, 2016

本文提出了 AP-10K, 首个大规模哺乳动物动物姿态估计基准，提出了包括监督学习、领域迁移和域泛化在内的三个任务以及相应的姿态估计模型，通过实验结果展示了从多种不同动物物种进行学习在准确性和泛化能力方面的优越性，为未来动物姿态估计的研究开辟了新方向。

Aug, 2021

系统通过机器学习前端预测 2D 关节位置，离散优化获得关节对应关系，并通过能量最小化配合 3D 模型恢复出广泛种类的四足动物的 3D 形状与运动，该系统在动物视频测试中展现出精准重建的能力。

Nov, 2018