论文了解-3D human pose estimation in video with temporal-conv

最新推荐文章于 2022-05-19 13:05:21 发布
最新推荐文章于 2022-05-19 13:05:21 发布
阅读量329 收藏 3
点赞数 4
分类专栏： 深度学习 文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47703176/article/details/117398964
版权
本文探讨2019年CVPR上的一项研究，该研究利用2D姿态估计和视频的时序信息进行3D人体姿态估计。通过Res-Net结构和空洞卷积处理时序数据，实现更准确的3D坐标预测，并采用半监督学习增强模型性能。此外，引入骨架长度损失和轨迹网络以优化空间定位和减少抖动。
摘要由CSDN通过智能技术生成

前言

本文是2019年的CVPR，内容主要是视频中的姿态估计。本文的主要思想是：2D姿态估计+视频中的时序信息=3D姿态估计。且效果好于同时期所有的3D姿态估计模型。

技术理解

开始先放出网络结构。采用的是Res-Net的网络结构。需要注意网络的需要是一组2D pose的坐标。
在这里插入图片描述
这里我主要说一下该文中用到的重要方法，网络结构不进行讲述。

模型思想
2D到3D，3D到2D。预测出的2D坐标转化为3D坐标后，再将预测的3D坐标反映射为2D坐标，用映射后的2D坐标与转化前的2D坐标进行比较。

如何3d到2d

1.时序信息

因为一个2D点对应多个3D点，因此需要利用时序信息来帮助区分这些3D的坐标点。这里采用的是空洞卷积。因为阅读论文发现空洞卷积经常被使用到，这里用两张图帮助理解什么是空洞卷积。

普通卷积：
在这里插入图片描述
空洞卷积：
在这里插入图片描述

使用空洞卷积能处理需要的过去和未来帧的信息。同时还能降低预测后视频的抖动，增加视

最低0.47元/天 解锁文章
准小赖
关注
专栏目录
【论文笔记】3D Human Pose Estimation with Spatial and Temporal Transformers
ys578676728的博客
04-12 1237
论文链接：https://arxiv.org/pdf/2103.10455.pdf github地址：https://github.com/zczcwh/PoseFormer 1. 方法归类 3d human pose estimation 2d-3d lifting video-based 2. 创新点 提出了首个纯transformer-based模型：PoseFormer。 设计了一个有效的spatial-temporal transformer，同时对骨架和时序信息用transformer进行
文献阅读: 3D human pose estimation in video with temporal convolutions and semi-supervised training
m0_37909240的博客
06-12 1394
Hey，这篇论文“3D human pose estimation in video with temporal convolutions and semi-supervised training”我觉得特别有意思，之前还用它改进了一下，申请了一个软著，今天拿来回顾一下。首先还是翻译一下： 论文名称：基于时间卷积和半监督训练的视频三维人体姿态估计 摘要：在这项工作中，我们证明了基于二维关键点上的扩展时间卷积的全卷积模型可以有效地估计视频中的三维姿态。我们还介绍了反投影，一种利用未标记视频数据的简单有效的
论文笔记--3D human pose estimation in video with temporal convolutions and semi-supervised training
Thewindking的博客
04-29 995
  在这项工作中，展示了视频中的3D姿态可以被基于2D关节点的空洞时域的全卷积模型有效的预测，同时引进了反向映射back-projection, 一种可以利用为标记的视频数据的简单而有效的半监督训练方法。
3D human pose estimation in video with temporal convolutions and semi-supervised training
fengye2two的专栏
01-04 5997
一、简介 本文是CVPR2019的文章，预测视频中的三维人体姿态，主要是通过时域上的卷积，将2D人体姿态点提升为3D人体姿态点。该方法具有通用性，可兼容多种2D人体姿态点预测方法，如Mask R-CNN、cascaded pyramid network (CPN) 、AlphaPose、OpenPose等等。 二、效果图 Git地址 https://github.com/facebookres...
【论文阅读笔记】3D human pose estimation in video with temporal convolutions and semi-supervised training
时光机 °的博客
12-16 3756
论文地址：3D human pose estimation in video with temporal convolutions and semi-supervised training 代码地址：VideoPose3D 论文总结   本文方法名为VideoPose3D，使用2D关键点序列（xi,yix_i, y_ixi​,yi​）预测某个时间点的3D关键点，大致就是使用一段2D序列动作去拟合某个带深度的点。在训练的时候，本文也提出一种简单但有效的半监督方法去利用没有未标注的视频数据。半监督方法，大致就是
【论文学习】：ICCV 2017-Detect-and-Track: Efficient Pose Estimation in Videos
m0_37644085的博客
10-02 2579
项目配置链接：https://blog.csdn.net/m0_37644085/article/details/84338463   ps：不仔细学习RCNN系列→FCN→Mask RCNN是不太可能读懂这篇文章的。                                                                                         ...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
2D_3D Pose Estimation and Action Recognition using Multitask Deep Learning
04-21
Action Recognition Action Recognition Action Recognition Action Recognition Action Recognition Action Recognition Action Recognition Action Recognition Action Recognition
泛读论文：Person-reID 行人重识别合集
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
论文阅读笔记--3D human pose estimation in video with temporal convolutions and semi-supervised training -1
weixin_45709671的博客
02-16 1414
前言 读了一篇利用视频做姿态估计的比较经典的论文, 3D human pose estimation in video with temporal convolutions and semi-supervised training. 论文地址: https://arxiv.org/pdf/1811.11742.pdf CVPR 2019收录论文 简单对论文的内容做一些自己的学习笔记, 然后再补充对于论文项目代码的笔记. 基于Video实现单目3D HPE(Human Pose Estimation 人体姿态
3D human pose estimation in video with temporal convolutions and semi-supervised training论文笔记
m0_51897038的博客
11-09 1646
https://blog.csdn.net/fengye2two/article/details/103831133https://blog.csdn.net/fengye2two/article/details/103831133https://blog.csdn.net/qq_42974561/article/details/108237580?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_title~d...
身体姿势估计 - Human Pose Estimation
MyArrow的专栏
07-19 7783
1. 简介    人体姿势估计主要采用：数据驱动、从下到上的方法；在此方法中，像素被独立地标记为身体的某一部分，或投票决定关节的位置。
时域卷积网络（Temporal Convolutional Network，TCN）
z2014z的博客
04-13 1万+
TCN基本结构 时域卷积网络（Temporal Convolutional Network，TCN）由Shaojie Bai et al.在2018年提出的，可以用于时序数据处理，详细内容请看论文。 1.因果卷积（Causal Convolution） [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-28ptyiiH-1618306487421)(https://www.programmersought.com/images/924/23daba19db5473ff38fb97
Temporal 3D ConvNets: New Architecture and Transfer Learning for Video Classification -三维卷积行为识别
kebijuelun的博客
11-02 1230
Paper Reading Note URL: https://arxiv.org/pdf/1711.08200.pdf TL;DR 该文章提出了一种基于densenet改进得到的三维卷积网络结构（Temporal 3D ConvNets），同时提出了一种迁移学习方法使三维卷积网络能够得到更好的初始化，所提出的方法在三个主要的动作识别数据集上取得了SOTA的结果。 Dataset/Algorit...
文献阅读：STDnet-ST：Spatio-temporal ConvNet for small object detection
weixin_43750248的博客
04-15 913
STDnet-ST摘要Introduction二、STDnet-ST结构1.空时卷积网络2.tubelet linking总结 摘要 最近一个可能提高整体目标检测成功的趋势是将空间信息与时间视频信息一起操作。本文引入STDnet-ST 一个视频的小目标检测的空间-时间卷积网络。本文中定义像素16*16 几乎看不出特征的为小目标。STDnet-ST是一种架构，它可以随着时间的推移检测小的对象，并将包含这些小对象的可能性最高的top-ranked区域对相关联。这允许在整个时间内将小对象连接起来作为tubele
图示时序卷积网络(Temporal Convolutional Networks)结构与过程
weixin_42410798的博客
05-19 5200
卷积网络(Convolutional Neural Network, CNN)过去广泛应用于图像领域, 最近有工作发现, 经过改造的 CNN 可以高效完成序列(sequence)建模与预测. 本文详细说明了时序卷积网络(Temporal Convolutional Network, TCN)中的基本块(block)结构, 并且借助开源时间序列预测库 Darts, 用 TCN 实现在真实数据集上的准确预测.
Attentional 2D-Human Pose Estimation
最新发布
05-04
Attentional 2D-Human Pose Estimation refers to a technique used in computer vision and deep learning to estimate the pose of a human body in an image or a video. The technique involves the use of a ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值