![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文献阅读
文章平均质量分 92
光头吴克
一个脱离了高级趣味的人
展开
-
Summary——Indirect deep structured learning for 3D human body shape and pose prediction
Research Problem:探究预测人体三维体型和体态的新方法。Contributions:提出一个编码器—解码器结构,用于预测三维体型和体态。 对应于编码器—解码器的训练程序。 分别在人工数据集和现实数据集上进行了实验分析。Empirics:人工数据(artificial data):通过SMPL模型得到的数据,该数据用于编码器和解码器的训练。制作过程为从SMPL模型的8...原创 2018-09-19 20:51:48 · 647 阅读 · 0 评论 -
Summary——DensePose: Dense Human Pose Estimation In The Wild
Research question:在一张RGB图片和一个曲面模型上建立对应。RGB图片来自COCO数据集(本文筛选出含有人物的图片),除此之外,由一个人体的表面模型(这个模型应该是立体的)为24个体块分别找到六张不同角度(当呈现在标注者面前的时候也是平面的图片),本文就是要在二者之间做对应。Contributions:在现有的COCO数据集上搜集包含有 5万个人的图片作为本文的数据集...原创 2018-09-15 15:37:28 · 1030 阅读 · 2 评论 -
Summary——Unite the People: Closing the Loop Between 3D and 2D Human Representations
这篇文章主要做两件事:造了一个体态估计数据集:UP-3D。主要借助了改进的SMPLify方法和人工分拣。 体态估计:用UP-3D数据集分别预测人体31部分分割,91个landmarks。这意味着训练集大小降低一个量级,训练时间也降低一个量级,却能够保持良好的性能。第一部分,构造数据集,下面是两个准备工作:(1)由2D图片人物,用SMPLify方法生成的3D模型,是通过最小化目标函数实现...原创 2018-10-17 19:04:24 · 1335 阅读 · 2 评论 -
Summary——Learning Category-Specific Mesh Reconstruction from Image Collections
Contributions:给出了一个从单张图片重构3D形状的学习框架。除此之外,还能为这个3D网格贴上纹理。该方法的亮点在于不需要学习时不需要依靠3D真值或者多视角图片监督。 Empirics:CUB 和 PASCAL3D。前者是本文的主要数据集,Caltech-UCSD Birds 200(CUB)鸟类图像数据集,包含 200 不同种鸟类,共计 11788 张图片。其中6000张图...原创 2018-11-20 20:25:05 · 1786 阅读 · 2 评论 -
Summary——RMPE: Regional Multi-Person Pose Estimation
Research question:如果单人的人体检测框不够准确,会影响多人体态估计的结果,本文就是要降低这种负面影响。Contributions:建立了一个 RMPE (Regional Multi-Person Pose Estimation)框架。设计SSTN(symmetric spatial transformer network,对称空间变换网络),用于提升基于SPPE...原创 2018-12-18 11:25:36 · 711 阅读 · 6 评论 -
Summary——BodyNet: Volumetric Inference of 3D Human Body Shapes
Research question:从一张照片得到3D人体(本文是训练的是端到端模型,特意查了一下end-to-end的概念:与之对应的是多步骤解决问题,即一个问题拆分成多个步骤分布解决。而端到端的是由输入端的数据直接得到输出端的结果,即一端数据,一端结果。对应本文就是输入一张图片(data),直接输出3D人体(result))Contributions:用体素表示来估计人体形态...原创 2019-05-18 14:59:53 · 677 阅读 · 2 评论 -
Summary——CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark
本文采用多人姿态估计中的两步框架:检测人体——估计单人姿态思路很直接,检测照片上所有人,把他们都框出来,每个人体检测框结果叫human proposal,然后分别在检测框里找到关节点,连接关节点。但是实际操作会遇到很多问题。主要问题是,算法对第一步依赖强烈,即,依赖于人体检测结果。如果人体检测不理想,单人姿态估计也会受到影响。那么检测的human proposal会出现什么问题呢?...原创 2019-05-18 15:06:16 · 411 阅读 · 0 评论