Jul, 2021

条件有向图卷积用于三维人体姿态估计

PDF
TL;DR本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。
graph convolutional networkshuman pose estimationdirected graphshierarchical relationshipsconditional directed graph convolutional network
发现论文，激发创造
  • 基于迭代图滤波网络的三维人体姿态估计

    本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

    Jul, 2023

  • 三维单目视频多人姿势估计的图形和时间卷积网络

    提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

    Dec, 2020

  • 基于部分特征的图卷积神经网络用于动作识别

    本文提出了一种基于部件图卷积网络的人体动作识别模型，该模型将骨骼图分为四个子图，并使用相对坐标和时间位移代替 3D 关节点特征，相对于使用整个骨骼图的模型，能够提高识别性能，实现了对挑战性基准数据集 NTURGB+D 和 HDM05 的骨骼动作识别的最先进水平。

    Sep, 2018

  • 基于骨架的动作识别的图形边缘卷积神经网络

    本文研究通过骨架数据识别人体骨骼运动的方法，提出了基于图边卷积神经网络的方法，通过对骨骼边缘的空间和时间邻居关系的探究来识别人体运动，实验结果表明该方法可以更有效地识别人体运动，且融合节点卷积和图边卷积的混合模型可以进一步提高性能。

    May, 2018

  • DD-GCN: 基于有向扩散图卷积网络的基于骨骼的人体行为识别

    构建了指向性扩散图进行动作建模，引入了活动分割策略以优化图卷积核的权重共享机制，提出了时空同步编码器用于嵌入同步时空语义，并通过在三个公共数据集上的实验验证了我们方法的最先进性能。

    Aug, 2023

  • 用于 3D 人体姿势回归的语义图卷积网络

    本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

    Apr, 2019

  • PoseGraphNet++：丰富三维人体姿势与方向估计

    提出了一种新的二维到三维抬升图卷积网络（PoseGraphNet++）用于预测完整的人体姿势，包括关节位置和骨骼方向。通过利用节点和边的卷积，该模型在多个基准数据集上评估，在位置和旋转指标方面的性能与现有方法相当或更好。通过大量的消融研究，证明了 PoseGraphNet++ 从关节和骨骼之间的相互关系中获益。

    Aug, 2023

  • 基于骨架的人体运动预测的动态稠密图卷积网络

    本文提出了一种动态密集图卷积网络（DD-GCN），它通过构建密集图和实现集成的动态信息传递来解决了骨骼序列构建图以及在图上进行信息传递的问题，在基准数据集上取得了明显的优越性能。

    Nov, 2023

  • 卷积网络和图形模型联合训练的人体姿态估计

    本文提出一种新的混合架构，并将其成功应用于单眼图像中的人体姿态估计等领域，同时提出了联合训练的想法以提高性能并明显超越现有技术。

    Jun, 2014

  • 基于骨架的动作识别姿态优化图卷积网络

    本研究提出了一种高效的图卷积网络 Pose Refinement Graph Convolutional Network，通过逐步融合运动和空间信息以及尽早减少时间分辨率的并行结构，显式处理姿势误差，从而比其他图卷积网络具有更好的权衡精度，内存占用和处理时间，适用于机器人应用。

    Oct, 2020