本研究提出了一种自我约束预测 - 验证网络,用于人体姿态估计中关键点子集之间的预测和反向预测,并结合验证网络进行准确性验证,该方法在 MS COCO 和 CrowdPose 数据集上取得了显著的姿态估计效果提升。
Jul, 2022
本文研究了基于单目视觉技术的 3D 人体姿势估计问题,提出利用无监督域自适应方法,引入包含两个输出头的 MRP-Net 网络,利用预测不确定性实现模型适应和泛化,并取得了在各项基准测试中的最优性能。
Mar, 2022
本文提出了一种新颖的领域适应方法,用于多人姿态估计,以进行人类级别的拓扑结构对齐和细粒度特征对齐。通过三个模块实现:交叉注意力特征对齐(CAFA),域内结构自适应(ISA)和域间人 - 拓扑对齐(IHTA)模块,证明了该算法优于现有最佳算法。
Aug, 2020
本文提出了一种基于深度学习的人体姿势估计方法,采用生成对抗网络作为学习模式,在两个相同结构的堆叠沙漏网络中设定生成器和判别器,生成器用作人体姿势估计,判别器将真实热力图与生成的热力图区分,通过对抗损失反向传播至生成器,使生成器学习合理的人体各部分构造,提高预测准确性。
Jul, 2017
该研究论文介绍了解决姿势估计中的误校准问题的方法,通过理论分析和网络调整实现了准确度的显著提升,并提出了一种轻量级后期增益算法(CCNet),可进一步改善准确度。
Nov, 2023
本文介绍了一种姿势细化网络,它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练,我们的方法在四个大型姿势估计基准测试中得到了系统的改进。
Apr, 2018
提出了一种测试相适应的深度学习框架,它结合了自监督辅助任务和元辅助学习来帮助主要预测网络适应测试序列,该方法在预测人类姿势方面取得了更高的准确性。
Apr, 2023
通过 Graph Convolutional Network 框架,从用户姿势序列中学习关节运动的关系,能够对个人的自我康复锻炼和体育锻炼中出现的错误进行准确的识别和纠正。
Aug, 2022
我们提出了一种基于迁移学习和领域自适应技术的深度适应网络,通过自监督学习获取具有场景不变性的图像表示,并将其用于摄像机姿态估计中。在 Cambridge Landmarks 和 7Scene 上的评估表明,该网络优于几个基线,并与最先进的方法进行了比较。
Jun, 2020
本文使用结构感知卷积网络来隐式地将人体结构的先验信息纳入深度网络的训练,以便在单目图像中实现更好的人体姿态估计。
Apr, 2017