Jun, 2024

视频中自动婴儿二维姿势估计：比较七种深度神经网络方法

PDF
TL;DR通过比较七种不同的姿势估计方法，对婴儿在仰卧位的视频进行分析，发现除了 DeepLabCut 和 MediaPipe 外，其他方法在无需微调的情况下都表现出竞争力，其中 ViTPose 表现最佳。同时，引入颈中臀比例的错误和其他误测、多余检测以及不同方法的内部置信度评分可靠性的研究，这些都对下游任务有重要意义。
infant posturemotion estimationmarkerlessdeep learningperformance metrics
发现论文，激发创造
  • 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

  • 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

  • 无标记运动捕捉的 3D 人体姿态估计算法综述

    本文综述了过去五年间的主要人体姿势估计方法，重点关注指标、基准和方法结构，提出了基于准确性、速度和鲁棒性的分类方法，并得出了未来研究的方向。

    Oct, 2020

  • 佩戴式运动传感器自动监测婴儿姿态和运动

    利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。

    Sep, 2019

  • MetaPose: 无需 3D 监督，快速从多视图中获得 3D 姿态

    本文介绍如何使用神经网络模型进行多摄像头人体姿势估计，在考虑多角度遮挡及联合位置不确定性情况下，使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法，我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。

    Aug, 2021

  • DeepPose: 使用深度神经网络进行人体姿势估计

    本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于 DNN 的回归问题，通过级联 DNN 回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

    Dec, 2013

  • 从多视角图像学习单目三维人体姿态估计

    本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。

    Mar, 2018

  • 基于深度预测网络的人体姿态绝对估计

    该论文提出了一种基于摄像机中心坐标系的神经网络，可以在单个步骤中预测关节位置，取得了当前最先进的结果，适用于 3D 人体姿势估计和 MuPoTS-3D 数据集。

    Apr, 2019

  • 基于嵌入式多任务学习的深度图像人体姿态估计

    本文提出一种多任务学习框架，采用深度神经网络进行实现，用于从静止深度图像中预测人体姿态，并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。

    Aug, 2016

  • 个性化的人类视频姿态估计

    该研究提出了一种个性化 ConvNet 姿态估计器，它可以根据帧与帧之间的时间跨度和人物外貌的特点，在视频中生成高精度的姿态标注，并利用自评模型筛选高质量的标注，并通过自动化的 fine-tune 训练方法将其个性化，相比于通用的 ConvNet，对目标视频的姿态估计得到了大幅提升，表现比现有方法更好。

    Nov, 2015