Nov, 2023

基于生成先验的高效领域自适应方法用于 3D 婴儿姿势估计

PDF
TL;DR使用优化方法和生成先验结合对基于小数据集的婴儿 2D 和 3D 姿势估计进行领域自适应，证明 ZeDO-i 方法能够在只有少量数据的情况下获得高效的领域自适应，并在 SyRIP 数据集上取得 43.6 mm、MINI-RGBD 数据集上取得 21.2 mm 的最先进 MPJPE 性能。
3d human pose estimationinfantsdomain adaptationdata augmentationzedo-i
发现论文，激发创造
  • 利用小数据进行婴儿姿态估计的不变表示学习

    本文为解决婴儿动作分析领域中遇到的问题，构建了一个 SyRIP 数据集，提出了一种多阶段不变表示学习策略并进行 fine-tuned 来做域自适应的婴儿姿势估计，经实验证明该方法在当代最先进的 DarkPose 模型上的性能最佳，mAP 达到 93.6。

    Oct, 2020

  • Learnable Motion Generation 实现 3D 人体姿势估计的跨数据集自适应

    该论文提出了一种名为 AdaptPose 的端到端框架，通过生成合成的 3D 人体动作数据，并在新数据集上通过微调来提高 3D 姿态估计模型的泛化能力，该方法成功地比之前的交叉数据集评估方法和使用部分 3D 注释的半监督学习方法改进了 14% 和 16%。

    Dec, 2021

  • 三维人体姿态估计中的领域泛化的双增强框架

    我们提出了一种新的框架，使用两个姿势增强器，以应对 3D 人体姿势估计领域普遍化中的若干限制，并通过元优化模拟领域移位，从而显著提高姿势估计器的普适能力。

    Mar, 2024

  • AggPose：基于深度聚合视觉 Transformer 的婴儿姿势估计

    本文提出了婴儿姿势数据集和基于注意力机制和多尺度融合的深度聚合视觉 Transformer，称为 AggPose，使用 COCO 姿势数据集预训练 AggPose，然后在我们新发布的大规模婴儿姿势估计数据集上运用该模型，结果显示 AggPose 能够有效地学习不同分辨率之间的多尺度特征，从而显著提高了婴儿姿势估计的性能，并且在婴儿姿势估计数据集中优于 HRFormer 和 TokenPose。

    May, 2022

  • 弱监督生成式网络用于多个 3D 人体姿势假设

    本文提出了一种使用弱监督深度生成网络解决逆问题的方法，该网络设计了一个提议分布来逼近未知的多模态目标后验分布，并通过 KL 散度最小化实现近似，并使用平均漂移算法确定最可行的解决方案。实验结果显示，该方法能够生成多个可行的假设，获得了与现有弱监督方法相比的最新结果。

    Aug, 2020

  • 人体姿态估计的先导引导无源域自适应

    本文介绍一种基于先验引导的自训练方法（POST），通过使用伪标签和人体姿势先验知识，在没有源数据的情况下，使源模型适应新的目标领域，在姿势估计任务中取得了相当的性能提升。

    Aug, 2023

  • 回归优化：基于扩散的零样例三维人体姿势估计

    通过结合基于优化和基于学习的方法，我们提出了 Zero-shot Diffusion-based Optimization (ZeDO) 管线，用于解决跨领域和野外环境下的 3D 人体姿态估计问题，并在多种数据集上实现了最先进的性能。

    Jul, 2023

  • 自监督三维人体姿态估计的不确定性自适应

    本文研究了基于单目视觉技术的 3D 人体姿势估计问题，提出利用无监督域自适应方法，引入包含两个输出头的 MRP-Net 网络，利用预测不确定性实现模型适应和泛化，并取得了在各项基准测试中的最优性能。

    Mar, 2022

  • 无监督对抗学习从 2D 关节点位置得到 3D 人体姿势

    本文提出了一种使用生成对抗网络进行无监督学习的方法，能够从单张图片的 2D 关节点位置预测出 3D 人体姿态，无需使用 3D 数据集，而且即使在训练时缺乏数据，该方法也能很好地预测 3D 姿态。

    Mar, 2018

  • 多级对齐的领域自适应姿态估计

    我们提出了一种多层次域适应方法，利用图像风格转换、对抗训练和自监督学习来同时在图像、特征和姿态水平上进行域间对齐，实现了在姿态估计中的显著改进，超越了现有最先进算法，对人体姿态的改进高达 2.4％，对狗的改进高达 3.1％，对羊的改进高达 1.4％。

    Apr, 2024