Jul, 2023

全局 - 局部自适应图卷积网络 用于 3D 人体

PDF
TL;DR通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。
3d human pose estimationpose liftingground truth datagla-gcnbenchmark datasets
发现论文，激发创造
  • 基于迭代图滤波网络的三维人体姿态估计

    本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

    Jul, 2023

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • 用于 3D 人体姿势回归的语义图卷积网络

    本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

    Apr, 2019

  • GraphMLP：用于 3D 人体姿态估计的类图像多层感知机结构

    提出了一种简单有效的图强化 MLP-Like 架构，名为 GraphMLP，它将 MLP 和图卷积网络（GCN）结合在一起，用于 3D 人体姿态估计，并将人体的图结构融入到 MLP 模型中，允许局部和全局空间相互作用，实现了对视频和单帧中 3D 人体姿态估计的最新性能。

    Jun, 2022

  • 交织图与注意力网络用于三维人体姿势估计

    本文介绍了利用 Interweaved Graph and Attention Network 技术来进行从单视图图像中进行 3D 人体姿势估计的方法，结果表明该方法在 Human3.6M 和 MPI-INF-3DHP 两个流行的基准数据集上均达到了最先进的表现。

    Apr, 2023

  • 三维单目视频多人姿势估计的图形和时间卷积网络

    提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

    Dec, 2020

  • 图像和视频的三维人体姿态估计的双链约束

    本文提出了一种名为 Double-chain Graph Convolutional Transformer (DC-GCT) 的新模型，通过局部到全局和全局到局部的双链设计来约束姿势，并结合 GCN 和 Transformer 的优势以及基于自注意机制的局部约束模块和全局约束模块以及特征交互模块来完整捕捉人体关节之间的多级依赖关系，将时间信息引入单帧模型，并在计算成本几乎不增加的情况下通过将目标帧的关节嵌入来指导视频序列嵌入。实验结果表明，DC-GCT 在两个具有挑战性的数据集（Human3.6M 和 MPI-INF-3DHP）上达到了最先进的性能。值得注意的是，我们的模型在 Human3.6M 数据集的所有动作类别上都使用了 CPN 检测到的 2D 姿势，我们的代码可在此 URL 获取。

    Aug, 2023

  • Quater-GCN: 用方向和半监督训练提升 3D 人体姿势估计

    通过结合方向性信息，引入 Quater-GCN (Q-GCN) 方法来提高 3D 人体姿势估计性能，并通过半监督训练策略利用无标签数据解决有限方向性的挑战。Q-GCN 在与现有方法的综合评估中展现出优秀的性能。

    Apr, 2024

  • 多跳图变换网络用于 3D 人体姿势估计

    介绍了一个用于视频中 2D 到 3D 人体姿势估计的多跳图变换网络，通过利用多头自注意力和多跳图卷积网络的优势以捕获时空依赖关系和处理远距离交互，提出了一个模型架构来实现准确的全局和局部依赖关系捕捉以及处理所需的空间细节，实验结果表明其有效性和泛化能力。

    May, 2024

  • 学习骨架图神经网络用于艰难的 3D 姿态估计

    本研究提出了一种新的骨骼 GNN 学习解决方案，包括基于跳舞的分层通道压缩融合层和鲁棒且有效的图构建过程，该方法在人体姿态估计和基于骨骼的动作识别方面取得了超越同行的性能.

    Aug, 2021