ICCVAug, 2021

HandFoldingNet：一种使用 2D 手骨架的多尺度特征引导折叠的 3D 手势姿态估计网络

PDF
TL;DR该论文提出了一种基于 Folding 的手部姿态估计器，该模型利用多尺度特征进行折叠，可以从归一化的 3D 手部点云输入中回归出手部关节位置，试验结果表明，该模型在三个手部姿态基准数据集上优于现有方法，且模型参数要求最低。
3d hand pose estimationconvolution neural networkshandfoldingnetmulti-scale featuresmodel performance
发现论文，激发创造
  • Hand3D：使用 3D 神经网络进行手部姿态估计

    使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。

    Apr, 2017

  • 深入的三维手部姿态估计良好实践

    本文提出了一种基于区域集成网络技术的 3D 手部姿态估计方法，通过引入数据增强和平滑 L1 损失来提高卷积神经网络的性能并实现手部关节的定位精度，实验结果表明该方法在三个公共数据集上均达到了最佳表现，并在手指尖检测和人体姿态估计上取得了最高精度。

    Jul, 2017

  • 深入学习手势姿态估计

    本文研究使用卷积神经网络结构，预测手的三维关节位置，并通过引入关节先验和有效利用上下文来提高方案的预测精确性和可靠性，在多个基准测试中都表现出了远胜于现有技术的高精度和较快的计算时间。

    Feb, 2015

  • 基于单深度图像的稳健三维手部姿势估计：从单视角 CNN 到多视角 CNN

    该论文提出了一种新方法，利用多视角投影和学习的姿态先验，通过多视角热图来回归手部姿态，最终得出三维手势估计，实验表明该方法在难以应对的数据集上取得了优异表现。

    Jun, 2016

  • DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计

    通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。

    Aug, 2018

  • 基于端到端全局到局部卷积神经网络的深度数据手部姿态恢复学习

    本文提出了一种基于层次结构的 CNN，通过对手的手指等局部姿势进行预训练，并将这些特征融合起来，以学习最终姿态中的关节之间的更高级别的依赖关系，同时，在损失函数中加入与手的运动和变形相关的外观和物理约束，并引入一种非刚性数据扩充方法，实验结果表明，基于局部姿态的树形 CNN 模型结合关节相关性和依赖性的融合网络，能够提高最终姿态估计的精度，优于现有的 NYU 和 SyntheticHand 数据集结果。

    May, 2017

  • 使用分层混合密度网络进行遮挡感知手部姿态估计

    本文提出了一种基于深度学习的新方法（HMDN），用于解决基于图像预测 3D 手模型的姿态参数的问题，该方法可以处理自我遮挡问题，并在两个有遮挡的数据集上超越现有的方法。

    Nov, 2017

  • 从单一 RGB 图像中估计 3D 手型和姿势

    本文提出了一种基于图形卷积神经网络的方法，从单个 RGB 图像中估算手的 3D 形状和姿态，并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练，结果表明可以对手的 3D 网格进行准确和合理的重建，并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。

    Mar, 2019

  • V2V-PoseNet：从单深度图中准确预测三维手部和人体姿态的体素到体素预测网络

    本文提出了一种基于 3D CNN 的手部和人体姿态估计方法，通过使用立方体栅格并为每个关键点估计每个体素的可能性来将问题转化为体素到体素的预测，并克服了 2D 深度图中的透视畸变和非线性映射等缺点，实现了较高的准确性和实时性

    Nov, 2017

  • 区域集成网络：改进卷积网络用于手势姿势估计

    本文提出一个结构为树形的区域集成网络，用于从单眼深度图像中进行手势姿势估计，并具有端到端训练的完全性。在两个公共数据集上的实验结果表明，此方法在各方面的表现均优于现有技术。

    Feb, 2017