3D关键点检测
1、3D关键点检测之PoseDRL:Deep Reinforcement Learning for Active Human Pose Estimation(AAAI2020)
这篇文章可能与我们通常所处理的姿态估计任务略有不同,通常我们模型的输入都是给定的一张图片或者一个视频序列(single camera),而这篇文章的模型是在Panoptic massive camera grid场景下(一种密集摄像机场景),在该场景下,可以在“时间冻结”模式下从各个角度观察场景,也可以再时间序列上处理场景,算是在模拟“移动的观察者”。
在移动的观察者的情况下,使用深度强化学习选择适当的视角点,来提供基础的单眼姿态估计。
2、MovNect:Lightwight 3D Human Pose Estimation Network Training Using Teacher-Student Learning(2020)
基于知识蒸馏的轻量级3D人体姿态估计网络,在iPhoneXS上速度达到160FPS。
3、Generating Multiple Hypotheses for 3D Human Pose Estimation with Mixture Density Network(cvpr2019)
由于深度模糊和闭塞关节,来自单图像或2D关节的3D人体姿势估计是不适当的问题。本文认为单眼输入的3D人体姿态估计其中可存在多个可行解。在本文中,本文提出了一种从二维关节生成三维姿态的多个可行假设的方法。是第一个将混合密度Mixture Density模型引入3D人体姿势估计的方法。
4、Learnable Triangulation of Human Pose(ICCV2019 oral)
本文利用三角剖分算法在深度网络中来估计3d人体关键点。
5、Weakly-Supervised Discovery of Geometry-Aware Representation for 3D HumanPose Estimation(cvpr2019)
本文提出了一种新颖的弱监督编码器 - 解码器框架,来学习人体姿势的几何感知3D表示。
6、VideoPose3D(CVPR 2019)
3D human pose estimation in video with temporal convolutions and semi-supervised training
github:https://github.com/facebookresearch/VideoPose3D
7、ICCV 2017
Towards 3D Human Pose Estimation in the Wild: a Weakly-supervised Approach