本文提出了三种半监督和弱监督学习方案，通过利用卷积神经网络对人体姿态进行估计，实现了对无人类注释的训练图像中候选姿态和真正正面姿态的选择和提高。方案基于姿态聚类和离群姿态检测，可以选择更多的真正姿态，并在大规模人体姿态数据集上得到了验证。

Jun, 2019

本文旨在解决基于视觉内容在艺术品中发现构图转移的问题，提出了一种基于人类姿态相似性的构图转移链接方法，证明显式人类姿态匹配比标准的基于内容的图像检索方法更优。

Jul, 2019

通过图像风格迁移优化数据集并微调模型，使其在古希腊花瓶绘画领域的姿势估计任务上获得更优秀的性能。

Dec, 2020

本文提出了一种基于自监督学习的框架，利用单个基于零件的 2D 木偶模型、人体姿势约束和一组未配对的 3D 姿势来区分摄像机捕捉的人体姿态中的变化，从而在不同视频中提高多个任务的性能，包括 3D 姿势估计和部分分割。

Apr, 2020

研究报告提出了一种自我监督学习框架，结合手势估计和手势识别，用于解决手势识别在复杂场景中的困难，以提高手动组装场景下的活动识别的准确性和鲁棒性。

Jul, 2023

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

使用半监督学习的统一框架，通过显式的上下文推理和变换器之间的手和物体表示，估计来自单个图像的 3D 手和物体姿势，并利用大规模手 - 对象视频中的时空一致性生成伪标签作为约束条件去超越单个图像中有限的 3D 注释。

Jun, 2021

该研究旨在从图像中学习自包含的身体部位表示形式（即称为视觉符号）及其符号化的几何上下文，以此来解析人类姿势，并利用潜在支持向量机和有效的交叉验证过程来对视觉符号进行分类，实现对肢体部位的精细分类。当姿势的构造部分是一棵树时，我们提出了一种有效的方法来估算图像中的人体姿势，并通过两个大型数据集的实验表明，该方法优于现有的方法。

Apr, 2013

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

人体姿势估计是计算机视觉中的基本且具有挑战性的任务。本文提出了一种自适应关键点遮罩方法和双分支数据增广方案，用于改进半监督姿势估计的准确性和泛化能力，超过了现有的半监督姿势估计方法。

Apr, 2024