姿态估计
文章平均质量分 95
light169
这个作者很懒,什么都没留下…
展开
-
姿态估计之3D 人体姿态估计 - A curated list of related resources for 3d human reconstruction.【转】
转自【GitHub - Hi-MrChen/3d-human-reconstruction】A curated list of related resources for 3d human reconstruction转载 2022-06-17 09:45:32 · 3255 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 -HRFormer: High-Resolution Transformer for Dense Prediction
本文提出了一种高分辨率Transformer(HRT),它可以通过学习高分辨率表征来完成密集的预测任务,而原来的Vision Transformer学习的则是低分辨率表征,同时具有很高的内存和计算成本。作者在高分辨率卷积网络(HRNet)中分别引入的多分辨率并行设计,以及local-window self-attention,在小的非重叠图像窗口上执行self-attention,以提高内存和计算效率。此外,在FFN中引入了卷积操作,以在断开的图像窗口之间交换信息。......转载 2022-06-15 16:33:21 · 941 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - Single-Stage Multi-Person Pose Machines
Structured Pose Representation (SPR)将人体实例和身体关节的位置信息进行统一。人体关节分级表示。原创 2022-06-14 10:50:36 · 877 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - (HRNet)Deep High-Resolution Representation Learning for Human Pose Estimation(多家综合)
本文提出的网络在整个过程中保持高分辨率表征: (1)从一个高分辨率的子网开始,作为第一阶段,将高分辨率到低分辨率的子网逐个添加,形成更多的阶段,并将多分辨率的子网并行连接。 (2)执行重复的多尺度融合,这样每一个高到低分辨率的表征都能从其它平行表征中反复接收信息,从而得到丰富的高分辨率表征。因此,预测的关键点热图可能更准确、空间上更精确。.........原创 2022-06-13 16:47:12 · 3024 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation
提出了一种新的Bottom-up的人体姿态估计方法HigherHRNet,该方法利用高分辨率特征金字塔学习尺度感知表示。该方法在训练方面具有多分辨率监督,在推理方面具有多分辨率聚合功能,能够较好地解决自底向上多人姿态估计中的尺度变化挑战,并能更精确地定位关键点,特别是对小人物。HigherHRNet中的特征金字塔由HRNet的特征映射输出和通过转置卷积的上采样高分辨率输出组成。.........转载 2022-06-13 10:57:46 · 1417 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - PifPaf:Composite Fields for Human Pose Estimation
通过预测图片中每个位置的Pif信息, 来确定图片上的位置是否是人体关节点位置; 并通过paf信息把同属于同一个人的人体关节点连接起来, 这样就可以 1) 预测出图片上所有人的关节点 2) 把属于同一个人的人体关节点连接起来...原创 2022-06-10 17:26:11 · 1330 阅读 · 1 评论 -
姿态估计之2D人体姿态估计 - (OpenPose) Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
提出了一种有效检测多人图像中的2D姿势的方法。 该方法使用非参数表示,我们称之为部分亲和场(PAF),用于学习将图像中的身体部位与个体联系起来。 该体系结构编码全局上下文,允许贪婪的自下而上解析步骤,无论图像中的人数多少,同时实现高精度和实时性能。 架构旨在将学习关节点和关节点之间的连接融合起来,通过相同顺序的两个分支进行关联预测。............原创 2022-06-10 10:22:40 · 2263 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - Associative Embedding: End-to-End Learning for Joint Detection and Grouping
Associative Embedding,一种有监督的卷积神经网络用于检测与分组任务中采取的新方法。原创 2022-06-09 09:56:22 · 866 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - Human Pose Regression with Residual Log-likelihood Estimation(RLE)
将训练中的误差作为样本,利用MLE极大似然估计和 Flow-based 生成模型学习潜在的误差分布原创 2022-06-02 16:49:09 · 1571 阅读 · 1 评论 -
姿态估计之2D人体姿态估计 - SimDR: Is 2D Heatmap Representation Even Necessary for Human Pose Estimation?
提出了一种简单而有前途的关键点坐标解耦表示(a Simple yet promising Disentangled Representation for keypoint coordinate,SimDR),将人体关键点定位重新定义为一种分类任务转载 2022-06-02 16:47:06 · 1749 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - Distribution Aware Coordinate Representation for Human Pose Estimation【转-修改】
Distribution-aware Maximum Relocalization是在基于分布假设的情况下对最大激活值进行重定位。转载 2022-06-02 11:29:04 · 598 阅读 · 2 评论 -
2D人体姿态估计 - Numerical Coordinate Regression with Convolutional Neural Networks(DSNT)
参考 :【论文阅读笔记】Numerical Coordinate Regression with Convolutional Neural Networks_时光机゚的博客-CSDN博客论文地址:Numerical Coordinate Regression with Convolutional Neural Networks代码地址:GitHub - anibali/dsntnn: PyTorch implementation of DSNT一、论文总结 本文提供了一种从图像中直接学.原创 2022-06-02 11:30:55 · 1518 阅读 · 0 评论 -
姿态估计之2D人体姿态估计 - Simple Baseline(SBL)
论文地址:Simple Baselines for Human Pose Estimation and Tracking代码地址:GitHub - leoxiaobin/pose.pytorch: Simple Baselines for Human Pose Estimation and TrackingSimple Baselines,是2018年MSRA的工作,网络结构如下图所示。之所以叫这个名字,是因为这个网络真的很简单。该网络就是在ResNet的基础上接了一个head,这个head仅仅包.原创 2022-05-27 09:41:21 · 2719 阅读 · 0 评论 -
2D人体姿态估计 - Convolutional Pose Machines(CPM)
Convolutional Pose Machines(CPM)的主要贡献在于:a) 用Heatmap来表示关节点的位置及位置约束关系,并且将Heatmap和Feature Map同时作为数据在网络中传递,同时在多个尺度处理输入的特征,充分考虑各个关节点之间的空间位置关系。b) 多个阶段(Stage)有监督训练,避免过深网络难以优化的问题。OpenPose是GitHub上最受欢迎的人体姿态估计项目(14.8K Stars, 4.2K Folks),其人体关键点检测正是主要基于Convo.....原创 2022-06-02 11:32:01 · 1471 阅读 · 0 评论 -
2D人体姿态估计 - DeepPose
早期一些自顶向下的深度学习方法用神经网络直接预测人体关键点的 2D 坐标 [1, 2, 3]。DeepPose [1] 是这类方法的经典代表。DeepPose 采用级联的神经网络来预测人体各个关键点的相对坐标。每一个阶段都拿上一阶段的输出坐标作为输入,并进一步预测更为准确的坐标位置。最终,将预测得到的归一化的相对坐标转换为绝对坐标。Alexander Toshev和Christian Szegedy提出的DeepPose最早将CNN(卷积神经网络)应用于人体关节点检测。DeepPose将人体姿.原创 2022-06-28 17:13:52 · 1548 阅读 · 0 评论 -
姿态估计之3D 人体姿态估计 - MMPose 【转】
本文将结合 MMPose 对 3D HPE 的主流算法和数据集做一些介绍。1 主流算法1.1 基于单目图像的方法 由于单目图像易于获取且不受场景限制,很多方法都以此为输入数据。但是,正如前面提到的,根据 2D 图像估计 3D 姿态是一个不适定问题,即可能存在多个不同的 3D 姿态,它们的 2D 投影是同一个 2D 姿态。并且,基于单目图像的方法也面临着自遮挡、物体遮挡、深度的不确定性等问题。由于缺少 3D 信息,目前的方法大多只能预测 root-relative pose,即以根关节(pelv.转载 2022-05-20 14:35:24 · 5535 阅读 · 0 评论 -
姿态估计之3D 人体姿态估计 - 总结(1)【转】
参考1、3D 人体姿态估计简述 - 知乎2、3D人体姿态估计(介绍及论文归纳)0 前言3D Human Pose Estimation(以下简称 3D HPE )的目标是在三维空间中估计人体关键点的位置。3D HPE 的应用非常广泛,包括人机交互、运动分析、康复训练等,它也可以为其他计算机视觉任务(例如行为识别)提供 skeleton 等方面的信息。关于人体的表示一般有两种方式:第一种以骨架的形式表示人体姿态,由一系列的人体关键点和关键点之间的连线构成;另一种是参数化的人体模型(如 SMPL转载 2022-05-20 14:10:33 · 6049 阅读 · 1 评论 -
姿态估计之简述 Human Pose with Deep-learning【转】
转自[简述 Human Pose with Deep-learning - 知乎]2019年底到2021年初,算是入坑一年了。大大小小的论文总共看了200多篇,觉得是时候要整理归纳一下了。为了方便区分,按细分领域简单梳理成了脑图,每一部分可以配合正文具体看,完整的脑图也放到了文末的链接。这一年论文的脑图本文只针对 human pose 领域的研究进展,结合自己的理解感受简单梳理一下这个领域。1. Pose Estimation对于 Human Pose Estimation 这个转载 2022-05-20 09:40:28 · 1449 阅读 · 0 评论 -
姿态估计之2D人体姿态估计(1)(仅供个人参考)
参考1、自顶向下的 2D 人体姿态估计 - 知乎2、人体姿态估计(Human Pose Estimation)经典方法整理 - 知乎3、2D人体姿态估计浅析 - 知乎4、人体姿态估计中回归出了heatmap如何去计算关键点的坐标位置? - 知乎5、论文阅读 - Deep High-Resolution Representation Learning for Human Pose Estimation6、【HRNet】《Deep High-Resolution Represen....原创 2022-05-18 14:49:41 · 8706 阅读 · 1 评论 -
姿态估计之2D人体姿态估计 - CPN(Cascaded Pyramid Network for Multi-Person Pose Estimation)
该论文发表在2018年CVPR上,用于多人姿态估计的级联金字塔网络arxiv论文地址:https://arxiv.org/abs/1711.07319github代码:https://github.com/GengDavid/pytorch-cpn,https://github.com/chenyilun95/tf-cpn文档编辑参考:1、论文笔记(CPN):Cascaded Pyramid Network for Multi-Person Pose Estimation2、2018-C原创 2022-05-17 17:30:33 · 1829 阅读 · 0 评论 -
2D人体姿态估计 - Stakced Hourglass Network(SHN)个人理解
Stacked Hourglass Networks for Human Pose Estimation中文翻译An Intuitive Explanation of Convolutional Neural Networks – the data science blog为了进行人体姿态估计,我们使用一种特殊类型的全卷积网络,称为hourglass网络。网络的编解码器结构使它看起来像一个沙漏,因此被称为“hourglass networks”Hourglass网络图个人理解:.原创 2022-05-17 09:29:08 · 1409 阅读 · 0 评论 -
3D 人体姿态估计简述[转]
[转自]3D 人体姿态估计简述 - 知乎0 前言3D Human Pose Estimation(以下简称 3D HPE )的目标是在三维空间中估计人体关键点的位置。3D HPE 的应用非常广泛,包括人机交互、运动分析、康复训练等,它也可以为其他计算机视觉任务(例如行为识别)提供 skeleton 等方面的信息。关于人体的表示一般有两种方式:第一种以骨架的形式表示人体姿态,由一系列的人体关键点和关键点之间的连线构成;另一种是参数化的人体模型(如 SMPL [2]),以 mesh 形式表示人体姿态和体转载 2022-05-11 15:44:26 · 2263 阅读 · 0 评论 -
CVPR 2019 | 几何约束的自监督信号[转]
[转自]CVPR 2019 | 几何约束的自监督信号 - 知乎Introduction对于3D的人体姿态估计,常用的方法是two-stage的,即先训练一个从图片或视频的RGB流中估计2D关键点,再训练一个lifting network,将2D的关键点提升到3D。整个流程有很多可以讨论的地方,如自底而顶和从上至下的2D关键点估计方法的区别,还有直接从RGB流中估计3D关键点。在这里只讨论将2D提升到3D的部分。首先需要说明的是,3D人体姿态数据集的制作成本很高,并且大都在室内场景下,..转载 2022-05-11 15:09:07 · 1226 阅读 · 0 评论 -
无监督单视角3D人体姿态估计中的不确定性建模[转]
[转]无监督单视角3D人体姿态估计中的不确定性建模 - 知乎Introduction来自ICCV2021的工作Towards Alleviating the Modeling Ambiguity of Unsupervised Monocular 3D Human Pose Estimation。本文针对了无监督单视角3D人体姿态估计中的不确定性问题进行了研究,整个工作直指本质,实验丰富,收获很大。这个Ambiguity主要在于两部分:Scale ambiguity:在单视角中,如果没有别的约束转载 2022-05-11 14:58:55 · 435 阅读 · 0 评论