本文提出了一种基于自监督学习的框架，利用单个基于零件的 2D 木偶模型、人体姿势约束和一组未配对的 3D 姿势来区分摄像机捕捉的人体姿态中的变化，从而在不同视频中提高多个任务的性能，包括 3D 姿势估计和部分分割。

Apr, 2020

AssemblyHands 是一份大规模基准数据集，包括 3D 手部姿态注释和同步的自中心和非中心图像，旨在研究具有挑战性的手 - 物体交互，可应用于 3D 手部姿态的估计和行动识别任务。

Apr, 2023

本研究探索了使用二维手部姿态和物体姿态信息实现以自我为中心的动作识别的可行性，并使用最先进的基于 Transformer 的方法分类序列，并取得了 94% 的验证结果，这突出了二维手部和物体姿态信息在动作识别任务中的潜力，并为基于 3D 的方法提供了有前途的替代方案。

Jun, 2023

该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

Aug, 2018

使用视觉的姿势估计技术及卷积神经网络架构，强化了自我关注模块让系统轻量化可在嵌入式系统中应用的新型人机交互方法。

Jan, 2020

通过使用从目标活动的视频记录中得出的实时 2D 姿势估计派生的得出骨架数据，本文引入了一种解决这个问题的新方法，为识别最佳传感器位置提供了一种独特的策略。我们通过进行可行性研究验证了我们的方法，将惯性传感器应用于监测十个被试者的 13 种不同活动。我们的发现表明，基于视觉的传感器放置方法与传统的深度学习方法提供了可比较的结果，从而证明了它的有效性。该研究通过提供一种轻量级的、设备上的解决方案来确定最佳传感器位置，从而改进了数据匿名化，支持多模态分类方法，显著推进了人体活动识别领域。

Jul, 2023

本论文提出了一种新的自我监督方法，通过训练不带标签的典型姿势图像数据集和未成对的 2D 姿势数据，从而实现了从单幅图像预测 3D 人体姿势的网络映射，可用于快速应用于其他人工结构（例如动物）的姿态估计。

Apr, 2023

本研究报告介绍了我们在 Egocentric 3D Hand Pose Estimation 挑战赛上的工作。采用 AssemblyHands，我们使用基于 ViT 的骨干网络和简单回归器进行 3D 关键点预测，提供了强大的模型基线。我们提出了一种非模型方法，在后处理阶段合并多视图结果，以解决手 - 物体遮挡和自遮挡引起的性能下降问题。此外，我们利用测试时间增强和模型集成进一步改进了方法。我们还发现公共数据集和合理的预处理是有益的。我们的方法在测试数据集上实现了 12.21mm 的 MPJPE，并在 Egocentric 3D Hand Pose Estimation 挑战赛中获得第一名。

Oct, 2023

简化中文摘要：本文探讨了改善自监督人体姿势估计的方法，包括分析重建质量与姿势估计准确性的关系，提出了一个优于基准模型的模型流水线，使用不到三分之一的训练数据量，并提出了一种适用于自监督环境的度量，用于衡量预测身体部位长度比例的一致性。结果表明，在自监督范式中，精心设计的重建损失和归纳假设可以帮助协调姿势估计和重建。

Nov, 2023

我们提出了一种新颖的非参数结构规范化机器用于 2D 手势估计，通过采用级联多任务架构和使用合成的手部掩模表示来学习手部结构和关键点表示，进一步采用概率表示和解剖学启发式技术，实验结果显示，显式地强制结构学习可以显著提高基线模型的姿态估计准确性，可成为用于其他姿态估计模型的通用附加模块。

Jan, 2020