CVPRMar, 2023

人工与自然场景的通用人类中心数据集：Human-Art

PDF
TL;DR介绍了一种新的涵盖自然与人造场景图片，包含 2D 和 3D 人体注释信息的 Human-Art 数据集，此数据集包含 5 种自然场景和 15 种人造场景共 50k 张高质量图片，为多项计算机视觉任务提供了全面且多样化的样本，包括人体检测，2D 和 3D 人体姿态估计，图像生成和运动转移等。
发现论文，激发创造
  • DEArt: 欧洲艺术数据集

    我们提出了 DEArt，它是一个针对文化遗产绘画的检测数据集，检测物体和姿势分类，是一个与众不同的数据集，具有 69 个类别和 12 个姿势，并且可以通过迁移学习实现与最先进模型相媲美的精度。

    Nov, 2022

  • 利用合成人类进行训练学习

    本研究探索了使用全合成或合成增强真实数据的两种方法来解决多人二维姿势估计的问题，并研究了哪种方法更好地推广到真实数据，以及虚拟人物在训练损失中的影响。通过使用增强数据集，且不考虑训练损失中的合成数据，可以得到最佳结果。该研究还使用对抗性师生框架，发现不是所有的合成样本对训练都有同样的信息量，且信息量会随着训练阶段的不同而发生变化。

    Aug, 2019

  • CrowdHuman：人群中检测人物的基准

    本文介绍了一个新的数据集 CrowdHuman，用于更好地评估人群场景中的探测器，该数据集包含各种各样的遮挡问题，通过对比先前的数据集，展示了在 Cross-dataset generalization 方面的表现。

    Apr, 2018

  • 3D 大型场景的人类中心场景理解

    本文提出了一个大规模多模态数据集 HuCenLife，用于人类中心场景理解，可用于人类姿势和动作的多样性、人与环境的复杂交互、拥挤场景中的遮挡等问题的研究，还提供了用于分割、检测和动作识别的基准测试任务，并设计了适用于大规模人类中心场景的新颖模块，实现了最先进的性能。

    Jul, 2023

  • 有机还是扩散型：我们能区分人类艺术和 AI 生成的图像吗？

    生成对抗网络图像与人类创作之间的区分是个具有挑战性的问题，本论文通过使用监督学习的分类器以及艺术家使用其艺术技巧的方法，对现代生成模型的性能进行了研究，并分析了自动化检测器和人类团队的结合可以提供最佳的准确性和鲁棒性。

    Feb, 2024

  • BAM！Behance 艺术媒体数据集：超越摄影的识别

    本文介绍了使用 Behance 数据集为基础，对艺术画作图片进行分类的方法，并尝试对艺术风格的预测，改进现有的物体分类器和进行视觉领域适应的研究，以此推动机器对艺术图片的认知和分类。

    Apr, 2017

  • MVHumanNet: 一个大规模的多视图日常穿着人类捕捉数据集

    该研究论文介绍了一个名为 MVHumanNet 的大规模 3D 人体数据集，其中包含 4500 个人的多视角行动序列，以及 9000 个日常服装、60000 个运动序列和 6.45 亿帧的详细注释，通过该数据集的使用，进行了多个 2D 和 3D 视觉任务的实验，展示了性能的提升和有效应用的可能性。

    Dec, 2023

  • 从合成人中学习

    本文提出了使用由 3D 运动捕捉数据生成的合成真实人形图像的大规模数据集 (SURREAL) 来训练卷积神经网络 (CNNs)，并且通过该数据集训练的 CNNs 在 RGB 图像中可以准确地进行人物深度估计和人物部分分割。

    Jan, 2017

  • ArtBench 数据集：以艺术品为样本评估生成模型

    ArtBench-10 是第一个用于艺术品生成基准测试的平衡、高质量、干净注释和标准化数据集，其中包含了 60000 个艺术品图像，可用于流行的机器学习框架。

    Jun, 2022

  • 艺术历史图像中的半监督人体姿态估计

    本文提出了一种在艺术历史图像中估计人类姿势的新方法，通过半监督学习对目标和关键点检测进行了改进，并且引入了一个包括人体姿势标注的新领域特定艺术数据集，相对于使用预训练模型或风格转移的方法，达到了显著更好的结果。

    Jul, 2022