将示例优化引入双网络训练以进行人类网格恢复
提出了一种基于已知层次结构的人体参数化模型回归新技术,旨在更加灵活应用于当前标准的三维人体网格恢复框架,并通过实验数据证明其性能优于现有方法,能在数据损坏下推断关节。
Mar, 2020
本文使用 Exemplar Fine-Tuning 的方法,通过合并 2D 数据集和高质量的 3D 姿态拟合标注数据,实现在真实环境下的 3D 姿态估计,并针对遮挡、截断和罕见人体姿势等现实挑战提出了新的基准测试数据,并且使用基于人类的评估方法验证了所提出的方法具有更好的性能和更好的效果。
Apr, 2020
提出一种新模型 HumanMeshNet,它在多分支、多任务设置下,通过回归模板网格的顶点以及使用三维骨架位置进行规则化,隐式地学习了网格表示,从而实现虚拟、增强现实平台、动画行业、电子商务领域等方面的实时重建,并在三个公开数据集上展示了可比较的表面精度和关节误差性能。
Aug, 2019
本文提出了一种凸二元框架用于优化神经网络,从而解决了其在敏感应用如医学成像中的非凸和不透明性质的问题。该凸对偶网络不仅能够通过凸优化器获得最优训练,还有利于训练和预测的解释,特别是通过权重衰减正则化训练神经网络,诱导路径稀疏性的同时,预测是分段线性滤波。实验结果表明,该凸对偶网络优化问题在 MNIST 和 fastMRI 数据集上有效。
Dec, 2020
本文提出了一种特别设计用于多人姿势估计的双路网络,着重于回归关键点和连肢矢量,与现有的 openpose 网络在模型大小、前向速度和估计精度方面进行了比较。
Oct, 2017
提出了一种新方法,通过使用稀疏的 3D CNN 估计场景的绝对位置和密集的场景接触,并通过与其相关的 3D 场景线索的交互关注来加强预训练的人类 mesh 回收网络的关节学习,进而提高每个正向遍历的准确性和速度。
Jun, 2023
提出了一种新的三维形状表示方法,用于从单个图像中重建三维形状。通过训练神经网络生成训练集,再利用元学习方法进行双层优化,建立了三维形状分析和少样本学习之间的联系。该方法结合了训练数据生成网络与双层优化算法,可以联合训练,提高了三维形状重建的标准基准上的性能。
Oct, 2020
该研究提出了一种新的方法,将基于优化的方法和基于回归的方法结合起来,通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中,该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。
Sep, 2019
本研究旨在将学习方法和优化方法结合,使用学习方法的输出作为优化的初始参数,并根据图像对的损失进行计算,从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下,通过使用最佳性能的先进模型作为框架的骨干,在测试中获得了 0.3% 的改进。
Nov, 2023
本文研究了 Convolutional Neural Networks 的回归模型,使用了 Tukey 的 biweight 函数作为损失函数,同时提出采用逐渐提高分辨率的输入图像的粗粒度模型,经过实验表明在人体姿势估计和面部年龄评估任务中,这种方法产生了更好的效果。
May, 2015