基于深度学习的视觉人体姿势估计调查
本文介绍了基于深度学习的 2D 和 3D 人体姿态估计的综述,系统分析和比较了这些解决方案,对研究的挑战,应用和未来方向进行了讨论,包括 250 多篇研究论文以及姿态估计数据集和评估指标的定量表现比较和讨论。
Dec, 2020
本文提出了 UniHPE,它是一个统一的人体姿势估计流程,通过同一流程中对所有三种模态进行特征对齐,即 2D 人体姿势估计、基于 lifting 和基于图像的 3D 人体姿势估计。我们提出了一种新的基于奇异值的对比学习损失函数来同时对齐多个模态,从而提高性能。评估结果显示 UniHPE 在 Human3.6M 数据集上的 MPJPE 为 50.5mm,3DPW 数据集上的 PAMPJPE 为 51.6mm,显示出巨大的潜力来推动计算机视觉领域并贡献于各种应用。
Nov, 2023
一篇研究在自动驾驶汽车中进行弱监督的 3D 人体姿势估计的论文,通过相机和 LiDAR 数据的高级传感器融合实现了简单而高效的方法,通过使用现成的 2D 关节提取器和从 LiDAR 到图像的投影生成虚拟标签进行训练,在弱监督和监督学习设置中均取得了优于现有方法的结果。
Jul, 2023
该论文综述了基于深度学习的姿势分析应用,包括姿势估计、姿势跟踪和动作识别,并讨论了现有技术的优势和局限性,重点介绍了将这三个任务整合到视频序列的统一框架中的方法,并探讨了相关挑战和未来研究方向。
Oct, 2023
本文提出了一种在自动驾驶方案中的多模态方法,使用 2D RGB 图像的弱监督进行 3D 人体姿势估计(HPE),进而在 Waymo 开放数据集中取得了比仅基于相机和 LiDAR 的模型更好的效果。
Dec, 2021
本研究调查了深度学习技术在单目视觉下的人体姿态估计方面的最新进展,针对目前各个领域应用进行了综述,并提出了未来需求的研究方向。
Apr, 2021
无标记的人体姿势估计在医学应用中具有潜力,本文综述了当前生物医学应用中 HPE 的主要特性、已使用领域以及研究者和从业者的趋势,总结认为无标记的 HPE 在延伸诊断和康复至医院以外,远程医疗护理范式上具有巨大潜力。
Aug, 2023
本文通过研究 200 多篇论文,全面回顾了过去五年中 3D 人体姿态估计和网格恢复领域的深度学习方法进展,包括单人和多人方法,以及基于显式模型和隐式表示的人体网格恢复方法,并提供了公开数据集上的比较结果,以及深入观察和激发未来研究方向。
Feb, 2024
本篇论文对基于深度学习的二维图像人体姿态识别的最新方法进行了广泛的综述和比较,重点关注自 2016 年以来的自顶向下方法,此外,还讨论了数学基础、挑战与局限性、基准数据集和评价指标。
Feb, 2022