3D关键点检测（2020-2017)

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

github：https://github.com/xingyizhou/pose-hg-3d