Paper List:CVPR 2018 人体姿态估计相关

本文整理了CVPR 2018上关于人体姿态估计的相关论文,涵盖人体、手部和其他物体的2D/3D姿态估计,以及视频理解和相关任务。涉及到的技术包括深度学习、多视图、对抗性学习和无监督方法,旨在为该领域的研究提供参考。

1.By Object

1.1 Human Body

  • Learning to Estimate 3D Human Pose and Shape From a Single Color Image
  • Recognizing Human Actions as the Evolution of Pose Estimation Maps
  • Human Pose Estimation With Parsing Induced Learner
  • Monocular 3D Pose and Shape Estimation of Multiple People in Natural Scenes - The Importance of Multiple Scene Constraints
  • Jointly Optimize Data Augmentation and Network Training: Adversarial Data Augmentation in Human Pose Estimation
  • V2V-PoseNet: Voxel-to-Voxel Prediction Network for Accurate 3D Hand and Human Pose Estimation From a Single Depth Map
  • PoseTrack: A Benchmark for Human Pose Estimation and Tracking
  • Cascaded Pyramid Network for Multi-Person Pose Estimation
  • Ordinal Depth Supervision for 3D Human Pose Estimation
  • Through-Wall Human Pose Estimation Using Radio Signals
  • Learning Monocular 3D Human Pose Estimation From Multi-View Images

1.2 Hands

  • First-Person Hand Action Benchmark With RGB-D Videos and 3D Hand Pose Annotations
  • Depth-Based 3D Hand Pose Estimation: From Current Achievements to Future Goals
  • Dense 3D Regression for Hand Pose Estimation
  • Gesture Recognition: Focus on the Hands
  • Hand PointNet: 3D Hand Pose Estimation Using Point Sets
  • Cross-Modal Deep Variational Hand Pose Estimation
  • Augmented Skeleton Space Transfer for Depth-Based Hand Pose Estimation
  • GANerated Hands for Real-Time 3D Hand Tracking From Monocular RGB

1.3 Others

  • Detect-and-Track: Efficient Pose Estimation in Videos
  • “检测和跟踪:视频中的高效姿态估计”
  • Feature Mapping for Lea
。支持yolov5s,yolov5m,yolov5l.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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