Mar, 2021

HumanGPS: 密集人体对应关键点的测地保持特征

PDF
TL;DR本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系，并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开，实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐，实验结果表明，该特征空间可以对图像之间产生准确的对应关系，并具有明显的推广能力。
dense correspondenceshuman imagesarbitrary camera viewpointsdeep learningfeature space
发现论文，激发创造
  • 利用卷积网络实现密集的人体对应

    本研究提出了一种深度学习方法，用于在人体的 3D 扫描之间寻找密集的对应关系，深度卷积神经网络用于训练特征描述符，通过区域分类问题解决多种问题，并验证我们的方法在真实数据和合成数据上都表现出了优异的稳定性和准确性。

    Nov, 2015

  • 利用全景深度图对人体进行 4D 对应

    采用端到端的深度学习方法建立密集的形状对应关系，并随后压缩 3D 全身重建数据。

    Oct, 2018

  • 可几何映射的图像特征

    本文介绍了一种机器学习方法，用于学习基于图像检索的定位图像特征，通过引导学习过程，使图像特征与几何距离成比例，并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。

    Mar, 2020

  • 视角不变的稠密匹配用于视觉地理定位

    本文提出了一种新的基于密集局部特征的图像匹配方法，名为 GeoWarp，旨在解决视觉地理定位中的视角不变性问题，并通过新的自监督损失和两种新的弱监督损失进行训练。实验证明，GeoWarp 可以提高先进检索架构的准确性。

    Sep, 2021

  • 连续表面嵌入

    提出一种学习图像密集对应的新模型，能对几何形状不同的物体进行自动化且简单的密集姿态估计，适用于人类和动物类的各种变形物体。

    Nov, 2020

  • 基于运动指导的视频中三维姿态估计

    介绍了一种新的损失函数 motion loss，结合了一种有效表现关键点运动方式的编码方式 pairwise motion encoding 和一种新的图卷积神经网络结构 U-shaped GCN (UGCN)，并在 Human3.6M 和 MPI-INF-3DHP 两个数据集上实验证明它的有效性跑赢了其他顶尖的模型，并且还可以顺利适用于产生平滑的 3D 对应点序列和恢复对应点的运动。

    Apr, 2020

  • 人员再识别中的深度度量嵌入：抗大尺度变化的研究

    本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。

    Nov, 2016

  • 深度几何函数映射：形状对应的鲁棒特征学习

    提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

    Mar, 2020

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 姿态嵌入：学习匹配人体姿态的深度架构

    本文提出了一种用于学习将身体相似姿势的图像放置在附近的 embedding 方法，该方法可以作为一种直接比较基于人体姿势的图像的方法，避免了估计身体关节位置的潜在挑战。通过三元组距离准则构建了姿态嵌入学习，采用深度架构，使能够学习区分不同姿态的表征，文中的实验在人体姿态匹配和从视频数据中检索上展示了该方法的潜力。

    Jul, 2015