自适应关键点屏蔽的半监督 2D 人体姿态估计
本文提出了三种半监督和弱监督学习方案,通过利用卷积神经网络对人体姿态进行估计,实现了对无人类注释的训练图像中候选姿态和真正正面姿态的选择和提高。方案基于姿态聚类和离群姿态检测,可以选择更多的真正姿态,并在大规模人体姿态数据集上得到了验证。
Jun, 2019
该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法,通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性,并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。
Aug, 2018
本文介绍了一种半监督的方法,使用少量标记图像和大量未标记图像同时学习关键点热图和姿态不变的关键点表示,关键点表示的语义一致性约束加以保证,并通过特征空间将图像及其扩充副本的关键点表示紧密地联系在一起,以实现对于人类和动物身体特征点的本土化定位,并在多项基准测试中显著优于先前的方法。
Jan, 2021
挖掘未标记图像的额外使用能够有效地提高 2D 人体姿态估计器的准确性,通过数据增强和一致性训练方法,我们提出了一种简洁紧凑的半监督学习方法,与先前的方法相媲美,并在公共数据集中带来了显著的改进。
Feb, 2024
通过利用掩膜监督进行无监督三维姿势估计,本文提出了一个统一框架,该框架利用从粗到精的骨架和人体表示,从而实现了对无标注数据的处理和可直接使用的估计结果。实验证明了我们在 Human3.6M 和 MPI-INF-3DHP 数据集上的最新姿势估计性能,并通过在野外数据集上的进一步实验说明了模型具有获取更多数据以提升性能的能力。
Dec, 2023
我们提出了一种新的半监督学习设计,用于人体姿势估计,通过增强双学生框架,引入去噪方案生成可靠的伪热图作为无标签数据学习的目标,并通过估计的交叉学生不确定性从伪热图中选择学习目标。我们在 COCO 基准测试上进行了多个评估设置,结果显示我们的模型在极低数据情况下优于以前最先进的半监督姿势估计器,例如,只有 0.5K 标记图像时,我们的方法能够超越最好的竞争者 7.22 mAP (绝对改进量为 + 25%),我们还证明了我们的模型可以从非标签数据中有效学习,以进一步提升其泛化和性能。
Sep, 2023
通过多教师知识蒸馏与统一的骨骼表示相结合,我们提出了一种新颖的方法来解决姿态估计中不一致的骨骼注释所带来的挑战,同时提升了模型在不同数据集上的适应性,实现了更准确的康复 7 个主要关键点和 21 个扩展关键点的预测。
May, 2024
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
本文提出使用多视角图像而无需注释,来学习一个具有几何感知能力的身体表示,通过使用该身体表示,我们的方法在仅使用少量标记数据的情况下,显著优于完全监督的方法,并且在使用仅 1% 标记数据时,也优于其他半监督方法。
Apr, 2018