AdaptivePose:将人体部位作为适应点
通过改进下联式方法,提出了一种改进的多人姿势估计方法,该方法使用更直观却更合理的表示方法,具有 attention 机制的改进型叠叠层沙漏网络,专门用于 hard keypoint 和 keypoint 关联挖掘的新型 Focal L2 Loss 和用于将检测到的关键点分组为单个姿势的强大贪婪关键点分配算法,平均精度比基准线高约 15%,与 MS-COCO 测试数据集上的最新技术相当。
Nov, 2019
本研究提出多个模型联合训练并在测试中使用姿势感知权重的方法解决全身人物识别中的姿态变化问题。同时,使用网络对多个身体区域进行联合优化,为解决不同场景下的人物识别问题提出了新的基准测试,并证明了该方法在 PIPA 数据集中取得的高准确率。
May, 2017
本文提出了一个异构多任务学习框架,用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计,同时学习姿势 - 关节回归器和滑动窗口身体部位检测器,并证明包含身体部位检测任务有助于正则化网络,并指导其收敛于良好解决方案,并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明,我们的网络中间层中学习的神经元针对局部身体部位进行了优化。
Jun, 2014
该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法,通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性,并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。
Aug, 2018
本研究通过引入两个新的概念 - instance cue 和 recurrent refinement 到已有的姿态估计模型中,以处理带有多个人的检测框,实现了更准确的姿态估计,并在 COCO17 关键点数据集上取得了较高的 mAP 得分。
Mar, 2020
通过多教师知识蒸馏与统一的骨骼表示相结合,我们提出了一种新颖的方法来解决姿态估计中不一致的骨骼注释所带来的挑战,同时提升了模型在不同数据集上的适应性,实现了更准确的康复 7 个主要关键点和 21 个扩展关键点的预测。
May, 2024
本文介绍如何使用神经网络模型进行多摄像头人体姿势估计,在考虑多角度遮挡及联合位置不确定性情况下,使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法,我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。
Aug, 2021
本文提出一种多任务学习框架,采用深度神经网络进行实现,用于从静止深度图像中预测人体姿态,并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。
Aug, 2016
本文提出了一种基于整数线性规划的方法来解决多人姿态估计的问题,并且在 MPII 人体多人姿态数据集上实现了与最先进方法相当的精度,但速度快了 6,000 到 19,000 倍。
Aug, 2016