Jun, 2023

使用单张图像进行瑜伽姿势识别的高效深度卷积神经网络模型

PDF
TL;DRYPose 是一个用于从 RGB 图像中识别瑜伽姿势的卷积神经网络模型，采用基于 EfficientNets 骨干的 CNN 架构进行特征提取，并添加了密集连接网络架构中自适应的密集细化块用于学习更多样化的特征，然后应用全局平均池化和全连接层用于瑜伽姿态的多级分类，其在 Yoga-82 数据集上的表现优于之前的最新技术，准确率达到了 93.28%。
pose recognitionyoga asanasconvolutional neural networksegmentationstate-of-the-art
发现论文，激发创造
  • Yoga-82：一个新的用于人体姿势细粒度分类的数据集

    本文提出了细粒度分层姿势分类的概念，并提出了一个大规模的瑜伽姿势识别数据集 Yoga-82，包含三个级别的层次结构，以及基于卷积神经网络的多种分类方法。

    Apr, 2020

  • 使用深度多姿态表示进行人脸识别

    使用多个面向姿态的深度学习模型进行人脸识别，其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征，并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中，我们展示了该方法在人脸识别任务的表现优于现有技术。

    Mar, 2016

  • 使用三维卷积神经网络实现时空人体姿态估计

    本研究探讨了卷积神经网络在处理单目视觉下 3D 人体姿态感知任务方面的能力，通过将时间维度编码在卷积空间中的第三个维度，直接回归到 3D 坐标空间中的人体关节位置，从而在选定的 Human3.6M 数据集上展示了该网络达到了最先进的性能。

    Aug, 2016

  • 细粒度的运动、瑜伽和舞蹈姿势识别：一项基准分析

    人体姿势估计是计算机视觉中的一个复杂问题，本研究通过引入深度学习技术和提出的 SYD-Net 模型，在解决体育运动和舞蹈姿势分类问题上取得了显著的进展。

    Aug, 2023

  • 使用带有 2D 姿态信息的卷积神经网络进行 3D 人体姿势估计

    本文提出了一种使用卷积神经网络进行端到端学习的 3D 人体姿势估计方法，通过 CNN 学习找出相对于其他关节的相对 3D 位置，并通过将 2D 姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的 3D 姿势。实验结果表明，该方法在 Human 3.6m 数据集上实现了与最先进方法可比较的性能。

    Aug, 2016

  • 从单张图像中估计卷积式三维姿态

    本文提出了一种用于从单个 RGB 图像中估计人类姿势的统一方法，通过联合推理 2D 关节估计和 3D 姿势重建来改善两个任务，并使用可信的 3D 地标位置知识来对更好的 2D 位置进行搜索，并通过多级卷积神经网络架构综合了 3D 人体姿势的概率知识，并在 Human3.6M 数据集上进行了端到端的训练，最终获得了在 2D 和 3D 误差上优于之前方法的最新结果。

    Jan, 2017

  • 基于深度的实时卷积网络人体姿势估计

    本文提出一种利用深度图像结合卷积神经网络实现快速且可靠的多人姿态估计算法的方案，可以有效地应用于人机交互领域；具体贡献包括提出了基于残差块的快速网络、构建了包括 170k 多张人体合成图像与真实标注数据在内的公开数据集用于评估，证明了该模型在真实数据上性能良好。

    Oct, 2019

  • PoseCNN: 一种用于混杂场景下六维物体姿态估计的卷积神经网络

    该论文介绍了一种新的卷积神经网络，PoseCNN，可用于解决机器人与真实世界互动时的 6D 目标位姿估算问题，并提供了解决对称物体的新型损失函数和一个大型视频数据集。

    Nov, 2017

  • 使用在合成 RGB-D 上训练的深度网络实现语义姿态

    通过深度卷积神经网络实现室内场景理解的任务。为了克服 RGB-D 训练数据不足的问题，采用实时渲染技术生成合成室内场景，并通过迁移学习的方式使得模型能够处理具有高度挑战性的真实场景。该神经网络具备较短的运行时间，可同时估计类别、姿态和位置等参数。

    Aug, 2015

  • 使用卷积神经网络进行 3D 姿态回归

    该研究通过 CNN 回归框架提出了适当的表示、数据增强和损失函数来捕捉姿态空间的几何信息，将 3D 姿态估计问题转化为回归问题，并在 PASCAL3D + 数据集上得到与同类最优方法相当的性能表现。

    Aug, 2017