自主驾驶高实时遮挡行人姿态完整方法 SDR-GAIN
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
本文提出了使用生成对抗网络(GAN)与多个辨别器结合的方法,生成大量逼真的行人图像并应用到行人检测任务中,证明通过添加合成数据可以显著地提高检测器的性能。
Apr, 2018
通过重用、融合和标注 MOT17 和 NCLT 这两个数据集,本文填补了缺失的捕捉共享城市区域内人机交互的丰富姿势标注数据集,并使用 YOLOv7 方法有效地估计人体姿势。
Jan, 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
本研究提出一种新的生成模型,利用其构建一个双模态互斥 GAN 模型,通过对两个组成部分整体损失和局部损失的衡量,来重构被遮挡住的面部,该模型通过对实际和合成数据组进行消融实验,显示出高于其他竞争方法的方法,可大幅提高人脸识别的性能。
Feb, 2020
我们开发了一种方法来明确建模隐藏关节推理过程以显着增强有或无遮挡的人体姿势估计,将任务分为两个子任务:可见关键点检测和遮挡关键点推理,并提出了深度监督编码器蒸馏和骨架引导人体形状拟合来训练我们的模型,实验证明从遮挡中明确学习可以提高人体姿势估计的性能。
Jul, 2022
通过无线射频成像实现准确的人体识别一直是一个持久的挑战,主要归因于有限的孔径大小及其对成像分辨率的影响。与估计关节不同,本文提出使用条件生成对抗网络 (cGAN) 对整个人体进行估计,以改善成像分辨率。我们使用估计的空间谱作为 cGAN 的输入,使用 MUltiple SIgnal Classification (MUSIC) 算法进行预处理以降低训练复杂性。我们的系统生成与环境无关的高分辨率图像,能从中提取有用的物理特征用于人体识别。我们采用基于卷积层的简单分类网络获得最终的识别结果。实验结果显示,我们训练的生成器生成的图像分辨率足够高,能够实现人体识别,与 Kinect 设备相比,平均剪影差异仅为 5%。在不同环境中对多个测试者进行的大量实验表明,我们的系统在未见环境中能够实现 93% 的整体测试准确率,用于静态人体目标识别。
Feb, 2024
使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异,提高物体检测的性能,尤其针对行人检测,在不需要真实标签的情况下生成真实样本,适用于各种下游任务。
Jul, 2023