多人三维人体姿态估计的明确遮挡推理
借助多尺度空间特征和多步幅时间卷积网络,在设计 A 的基础上,B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性,并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性,并且消融研究表明我们网络的单个子模块的优势。
Apr, 2020
本论文提出了一种新的统一模型,通过结构化 2.5D 姿势估计和端到端几何感知深度推理方法相结合,解决了估计单目多人 3D 姿势以摄像机为中心坐标的问题,相比于现有的自顶向下和自底向上方法,我们的模型在准确性和速度方面都表现出色。
Jul, 2022
本文提出了一个综合框架 DAG (Data, Attention, Graph),用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景,引入了掩蔽关节与实例粘贴数据增强技术;通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征;通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识,并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验,我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。
Dec, 2023
本文提出了一种使用不透明的三维肢体表示的新方法,该方法在保留遮挡信息的同时,隐含地编码关节位置,从而实现对抽象合成图像的训练,并允许预测完全独立于相机视角的姿势,从而在相同和不同数据集基准测试中取得了显著提升。
Jul, 2023
本论文针对人群姿态估计的问题,提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性,使其在人群场景下获得了与当前最先进方法相媲美的结果。
Jul, 2019
本研究提出了一种几何感知的人体姿态三维表示方法,通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督,在训练阶段建立共享的 3D 表示,进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明,该方法能够显著提高现有姿态估计方法的性能。
Mar, 2019
通过使用空时图形来表示变形的人体,并引入一个细化网络,该网络在此图形上执行图形卷积以输出 3D 姿势,以确保对遮挡鲁棒性,通过使用一组二进制掩码训练此网络,并模拟某些关节在一段时间内可隐藏,并训练网络对此免疫,证明了该方法相对于从单摄像机序列推断姿势的最先进技术的有效性。
Feb, 2024
本文提出了一种利用时序回归网络和门控卷积模块来将二维关节转换为三维,并同时恢复缺失的关节的方法,还提供了一个包括多人、重度遮挡的人类动作数据集 MMHuman,并通过实验展示该方法在重度遮挡场景下的效果优于大多数现有的二维到三维姿势估计方法。
Oct, 2020
本文提出了一种基于遮挡指导的 3D 人体姿态估计框架,利用不同协议对其遮挡处理能力进行了量化,并利用动作分类表现作为评估标准,证明了该方法能更准确地预测缺失节点的 3D 姿态,并在存在缺失节点时显著提高了动作识别性能。
Mar, 2022
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