May, 2024

多样化的合成数据中的人体姿态对于航空视角人体检测的作用

PDF
TL;DR我们提出了一个用于多样化合成数据集中人体姿势的框架，该框架利用姿势生成器构造一组新颖的姿势，并使用图像翻译器改变现有合成数据集中的图像以呈现新颖的姿势，同时保持原始风格。通过实验证明，无论合成数据如何被用于训练，以及数据规模如何，利用多样化的合成数据集进行训练都比在少样本情况下使用原始合成数据集对于三个航拍人体检测基准（VisDrone，Okutama-Action 和 ICG）的准确性通常明显更好。
human posessynthetic datasetaerial-view human detectionpose generatorimage translator
发现论文，激发创造
  • 基于图像合成的深度 3D 人体姿态估计

    本文提出了一种在 “野外” 环境中进行三维人体姿态估计的解决方案，通过生成大量的具有三维姿势标注的逼真合成图像，并使用这些图像对全身三维姿势进行端对端的卷积神经网络训练，成功地在受控环境（Human3.6M）中优于大多数已发表的作品，并在真实图像（LSP）中展现了有前途的结果。

    Feb, 2018

  • 合成人类不常见的姿势图像

    本文介绍了一种基于模块化生成神经网络的方法，用来合成出一张人的图像并保证姿势、外貌和背景的一致性，其中包括了基于图像和动作的训练资料，以及对抗性判别器等技术来实现姿势合成，最终能够生成与动作类别准确匹配的图像，同时还可以将多个动作合成为视频。

    Apr, 2018

  • 使用合成数据提高跨视角 2D 人体姿态估计

    提出了一种名为 RePoGen 的人体姿势综合控制方法，它可以生成具有极端视角和姿势的图像，我们使用这种方法来增强 COCO 数据集，实验证明，添加 RePoGen 数据后，可以超过以前的顶视姿态估计算法，同时显著提高底视点数据集的性能。

    Jul, 2023

  • 基于解耦结构的场景内多样化 3D 人体姿态生成

    本文提出了一种新颖的方法，用于在具有语义控制的场景中生成多样化的 3D 人体姿势。

    Jun, 2024

  • 深度级联单眼三维人体姿态估计与演化训练数据

    本研究提出了一种新的数据增强方法，该方法基于分层的人类表示和启发式先验知识，并且可以有效地合成未看见的三维人类骨骼，用于训练二维到三维网络，实验结果表明，我们的方法不仅在最大的公共基准测试中取得了最先进的准确性，而且对未见过的和罕见的姿势的泛化能力也得到了显著提高。

    Jun, 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

  • 合成训练图片以提升人体三维姿势估计

    本研究旨在通过人体姿态空间的采样和真实图像纹理的提取，建立一个全自动，可扩展的方法来合成姿态注释的图像，从而为 3D 姿态估计任务提供合成培训数据，最终证明 CNNs 在合成图像上训练可以在 3D 姿态估计任务上胜过在真实照片上训练。

    Apr, 2016

  • 面向多样化和自然的场景感知 3D 人体运动合成

    本文针对现有智能场景下的动作合成技术存在的目标、位置预定及动作多样性不足等问题，提出了一种基于多样性因素的分层框架方法，以提高人类动作合成的自然度与多样性。实验表明，该框架在场景感知的人类动作合成中具有很好的效果。

    May, 2022

  • 城市数据集增强的人造人偶技术

    本文提出了一种数据增强方法 (DummyNet)，通过对城市场景中的人的姿态、外貌和目标背景场景进行解缠，从而生成不同姿态、外貌、嵌入不同背景场景，具有足够多的人的图像数据集合。DummyNet 不仅在各种数据集上提高了现有行人检测器的性能，而且在夜间条件下也表现出很好的性能，能够为驾驶应用程序的开发和测试提供重要组成部分。

    Dec, 2020

  • 生成与 2D 关键点检测一致的多样化的人体 3D 姿态假设

    本研究提出一种方法，旨在生成多个多样且有效的人体姿态假设，通过使用一种新的生成模型，可以产生整合部分的姿态，该姿态是受解剖约束的三维姿态空间。我们的模型可以应用于各种可能的人类三维姿态，并通过移除模型偏见来帮助生成更多样化的三维姿态假设。

    Feb, 2017