该论文通过对数据集、头部姿态估计算法和绘制例程的深入研究，提出了从提供的源代码推断坐标系、应用顺序和提取精确旋转矩阵和欧拉角的代码和算法，以及将姿态从一个旋转系统转换到另一个旋转系统的代码和算法，2D 旋转矩阵的新公式，以及旋转矩阵和姿态的正确绘制例程的推导和代码，并讨论了在维基百科和 SciPy 中定义右手坐标系旋转的可行性，从而使全方位头部姿态研究中的欧拉角提取更加容易。

Mar, 2024

我们设计了一个端到端的头部姿势估计网络，可从单个 RGB 图像预测欧拉角的全范围头部偏航。WHENet 是第一个适用于完整头部偏航范围的细粒度现代方法，同时也满足或超越了前沿的头部姿态估计方法。

May, 2020

通过利用大量未标记的野外头部图像，我们提出了第一个半监督的无约束头部姿势估计（SemiUHPE）方法，该方法可以应对多样性和复杂性较高的头部姿势领域，并使用动态熵过滤来自适应地去除未标记的异常值，并通过两种新的面向头部的强增强技术进一步提高了性能。

Apr, 2024

综合综述了基于深度学习的视觉人体姿势估计的方法及应用，并就研究中的挑战和趋势进行了讨论，为初学者和高级研究人员提供了有意义的概述和补充材料。

Aug, 2023

使用卷积神经网络从头部图像直接预测欧拉角度量（偏航角，俯仰角和横滚角），以代替传统的人头模型法进行姿态估计，并在常用数据集上取得了最优结果。

Oct, 2017

本研究使用 CogVLM 的视觉定位能力，提出了一种新的框架来增强头部姿态估计任务，通过改进大语言模型中的灾难遗忘问题和引入 LoRA 层模型合并方法，有效提高头部姿态估计性能，并且在多个指标上优于现有方法。

Jun, 2024

使用旋转矩阵法进行端到端的头部姿态预测，通过引入连续 6D 旋转矩阵表示法和地理损失方法来有效学习头部旋转外观并克服当前最先进方法的限制，从而大幅提高头部姿态预测的范围和稳定性。

Sep, 2023

本文提出使用旋转矩阵中的三个向量作为头部姿态估计的表示并基于此开发了一种新的神经网络。作者解决了当前头部姿态估计存在的两个问题：注释数据样本时欧拉角或四元数的不连续性问题，以及 Mean Absolute Error（MAE）不能准确反映头部姿态的行为。为此，作者提出了一种新的注释方法和新的 MAE 的测量指标，同时对向量进行正交约束，实现了对大姿态角度下预测误差的有效降低。

Oct, 2020

研究 3D 手势姿势估计中不同类型方法的泛化能力，并通过公开挑战评估插值和外推的训练集姿势的能力，透彻分析了数据预处理、集成方法、使用参数化的 3D 手模型（MANO）以及不同的 HPE 方法 / 骨干网络对 3D 手姿势估计的影响，使得总体精度从基线的 27mm 提高到 13mm，尤其是在外推任务中。

Mar, 2020

使用鱼眼镜头进行头部姿态估计，提出了一种新的方法，通过图像中头部位置的知识来降低鱼眼畸变的负面影响，使用卷积神经网络从鱼眼图像直接估计头部姿态，无需校正或标定操作，实验证明与其他最先进的单阶段和双阶段方法相比，我们的网络显著提高了头部姿态估计的准确性。

Feb, 2024