- HEViTPose:高效视觉变压器用于人体姿态估计
这篇研究论文提出了一种高效率视觉变压器(HEViTPose)用于人体姿势估计,通过特征分组、空间降级机制及多维度注意力头保持特征多样性。通过优化模型的 Patch Embedded Overlap Width,实现了性能、参数和 GFLOP - BiHRNet:用于人体姿势估计的二进制高分辨率网络
在本研究中,提出了一种名为 BiHRNet(Binary HRNet)的二值人体姿势估计器,该估计器在适应二值神经网络(BNN)的同时保留了 HRNet 的关键点提取能力,通过提出二值网络训练过程的优化方法以及设计更适合二值化的结构,实现了 - 改进的 TokenPose 与稀疏性
在这篇论文中,我们引入了稀疏性来改善人体姿势估计,在 MPII 数据集上的实验证明了我们的模型具有更高的准确性和新的最先进结果,并且对其他基于 Transformer 的模型提供了参考。
- 基于空间注意力的分布整合网络用于人体姿势估计
通过引入空间注意力分布集成网络 (SADI-NET),进一步提高人体姿势估计的准确性,在应对具有挑战性的场景时,包括遮挡、多样化外观、光照变化和重叠等方面,取得了显著的改进和最先进的性能表现。
- 高效视频特定人体姿势估计的主动迁移学习
采用主动学习和迁移学习相结合的方法,通过量化评估标准来有效地提高人体姿势估计器的学习效率,并解决训练和测试数据之间的领域差异问题。实验证明,该方法提升了学习效率,并胜过了比较方法。
- 重新思考带有 3D 事件表示的人体姿势估计
通过引入两种三维事件表示方法(RasEPC 和 DEV),结合一个用于训练的合成事件数据集(EV-3DPW),本研究在人体姿势估计中取得了显著的性能提升,克服了传统图像和事件帧技术的局限性。
- 借助置信度网络优化多人姿态跟踪
本研究开发了一种新型关键点置信网络和跟踪流程,以改善自上而下方法中的人体检测和姿势估计,实验结果显示我们的方法在人体检测和姿势估计方面具有普适性,并在 PoseTrack 2017 和 2018 数据集上取得最先进的性能。
- X-HRNet: 基于空间一维自注意力的轻量级人体姿态估计
通过引入 Spatially Unidimensional Self-Attention (SUSA),我们减少了 pointwise(1x1)卷积的计算复杂度,并构建了轻量级姿势估计框架 X-HRNet,该框架在 COCO 基准测试中表现 - 近距离人体网格恢复的多模态主动测量
通过主动测量和传感器融合,提出了一种新的方法,将相机、触摸传感器和 2D LiDAR 传感器的信息融合,用于精确估计人体姿态或模型恢复。在实验证明,该方法在人体姿态估计准确度上具有优势,能够可靠地估计前景实际场景中的目标人物姿态。
- 去噪和选择伪热力图用于半监督人体姿势估计
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 - 基于轻量级超分辨率头部人体姿态估计的颅面标志检测再探
通过研究人体姿势估计(HPE)和头颅测量检测(CLD)之间的相似性,本文提出一种可靠的用于头颅测量检测性能改进的基准方法,并通过引入超分辨率模块和量化偏差的减少以进一步提升性能,在 MICCAI CLDetection2023 挑战中取得了 - 人体姿态估计的稀疏和隐私增强表示
我们提出了一种稀疏和增强隐私保护的人体姿态估计方法,使用专有的运动矢量传感器提取边缘图像和双向运动矢量图像,并结合稀疏卷积网络进行高效处理,通过边缘信息和运动矢量图像相结合,我们的方法在速度和运算量方面取得了巨大改进,验证了我们提出的稀疏表 - 高效在线主动蒸馏的查询策略
通过评估一组查询策略,在人体姿势估计应用中,通过两种方法(离线方法和基于知识蒸馏的在线评估)评估训练过程中所选择的帧对训练结果的影响,证明了在实时场景中有效地将边缘轻量级模型适应于新环境的训练的可能性。
- 基于深度学习的视觉人体姿势估计调查
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。
- ICCVResQ: 视频感知的剩余量化
通过低位量化的新视角以及引入时间依赖性,本文提出了一种视频网络的新的量化方案 Residual Quantization(ResQ),以降低冗余计算并提高准确性和比特位宽。此外,还通过动态调整比特位宽来适应视频中的变化,通过在语义分割和人体 - ICCV无源域自适应人体姿势估计
提出了一种新的任务 —— 无源域适应人体姿态估计(HPE),并通过构建源模型、中间模型和目标模型的新框架,从源保护和目标相关两个角度解决了跨域学习的挑战。在几个领域自适应 HPE 基准测试中进行的综合实验表明,该方法在性能上明显优于现有方法 - 基于稀疏 IMU 传感的高效准确人体姿势估计的设计空间探索
人体姿态估计 (HPE) 是评估体育、康复或工作安全中的人体运动所需的具有良好隐私保护的准确感知,因此在此类系统中需要进行局部处理,可以通过惯性测量单元 (IMU) 来解决能源有限的问题。我们通过模拟设计空间勘探 (DSE) 探讨了准确性和 - 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。
- 基于深度学习的多视角图像全身运动学估计
本文提出了一种基于多视图图像的直接关节角度估计方法,通过结合体态姿势表示法,将旋转表示法映射到一个连续空间中,为现场运动分析提供了一种新的方法。
- 3D 人体姿态估计的正则分割图网络
本文提出了一种基于高阶正则分裂图网络(RS-Net)的 2D-to-3D 人体姿态估计方法,通过矩阵分裂和权重调节等方法来捕捉贯穿身体骨骼的长距离依赖,并学习不同的调制向量和调制矩阵来帮助调整图结构,该方法在两个基准数据集上实现了优异的性能