3D human pose 重要论文分类(持续更新)

这篇博客整理了从传统方法到深度学习方法的3D人体姿态估计算法,涵盖从单幅图像直接预测3D pose、2D pose到3D pose的转换以及多视图处理等不同技术。其中,强调了深度学习在3D人体姿态估计领域的进步,包括使用深度网络直接回归3D关键点坐标和结合2D pose信息的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

3D human pose 重要论文整理(持续更新)

内容较多,提供目录便于查找

传统方法

*[1] Chunyu Wang,Yizhou Wang,Zhouchen Lin,Alan L. Yuille,Wen Gao. Robust Estimation of 3D Human Poses from a Single Image. In the Center for Brains, Minds and Machines(CBMM), 2014(用优化的方法进行2D pose到3D pose的三维重建)

*[2] Atul Kanaujia. Coupling Top-down and Bottom-up Methods for 3D Human Pose and Shape Estimation from Monocular Image Sequences. 2014

*[3] Behnam Babagholami-Mohamadabadi, Amin Jourabloo, Ali Zarghami, and Shohreh Kasaei . A Bayesian Framework for Sparse Representation-Based 3D Human Pose Estimation. In IEEE Signal Processing Letters (SPL), 2014

深度学习方法

3D Pose

从单幅图像直接出3D pose

[1] Sijin Li and Antoni B Chan. 3d human pose estimation from monocular images with deep convolutional neural network. In Asian Conference on Computer Vision (ACCV), pages 332–347, 2014.

第一个利用该思路进行三维人体姿态估计的工作,也是使用深度学习进行三维人体姿态估计的工作。该工作首先使用一个8层的网络做一个目标检测的视觉任务。然后将用来做特征提取部分的CNN层来作为三维人体姿态估计的初始化模型,并丢弃掉目标检测网络头部分进行训练。该方法相对于传统方法明显的提高。

[2] Sijin Li, Weichen Zhang, Antoni B. Chan. Maximum-Margin Structured Learning with Deep Networks for 3D Human Pose Estimation.CVPR, 2015

该网络除了从图像直接回归三维关键点坐标外,还加入了一个新的分支。该分支只在训练时发挥作用,其接收三维姿态的真是标注作为输入,然后经过多层感知机提取特征。然后利用该特征作为监督来训练,整个网络看上去也是一个多任务网络。

[3] Sungheon Park, Jihye Hwang, and Nojun Kwak. 3d human pose estimation using convolutional neural networks with 2d pose information. In Proceedings of the European Conference on Computer Vision (ECCV), pages 156–169, 2016.

提出的整个的网络的结构与[1]类似,不同点在于该网络使用的是二维姿态估计作为另一个任务分支的监督且这两个任务一同训练。

[4] Bugra Tekin, Isinsu Katircioglu, Mathieu Salzmann, Vincent Lepetit, and Pascal Fua. Structured prediction of 3d human pose with deep neural networks. In British Machine Vision Conference (BMVC), 2016.

首先利用三维关键点坐标作为输入和监督来预训练一个自编码-解码器,预训练好后保留解码器。之后在主网络中输入图像经过CNN提取特征不直接回归三维人体关键点坐标,而是来预测解码器输入端的隐向量,该隐向量通过解码器解码出三维人体关键点位置,在这个过程中解码器的参数不会更新。

*[5] Albert Haque, Boya Peng, Zelun Luo, Alexandre Alahi, Serena Yeung, Li Fei-Fei. Towards Viewpoint Invariant 3D Human Pose Estimation. ECCV, 2016.(从单一深度图出3D pose)

[6] 3D Human Pose Estimation in the Wild by Adversarial Learning. CVPR 2018.
在这里插入图片描述

由单幅图的2D pose 出3D pose

[1] Julieta Martinez, Rayat Hossain, Javier Romero, and James J. Little. A simple yet effective baseline for 3d human pose estimation.ICCV 2017.

*[2] Hao-Shu Fang, Yuanlu Xu, Wenguan Wang, Xiaobai Liu, Song-Chun Zhu. Learning Pose Grammar to Encode Human Body Configuration for 3D Pose Estimation. AAAI 2018.
在这里插入图片描述
[3] Unsupervised Adversarial Learning of 3D Human Pose from 2D Joint Locations. 2018.
在这里插入图片描述
[4] Matteo Ruggero Ronchi, Oisin Mac Aodha, Robert Eng, and Pietro Perona. It’s all relative: Monocular 3d human pose estimation from weakly supervised data. In British Machine Vision Conference (BMVC), 2018.

[5] 3D Human Pose Estimation with Relational Networks. BMVC 2018.
在这里插入图片描述
[6] 3D Human Pose Estimation with Siamese Equivariant Embedding. Neurocomputing 2018.

人体姿势生成是指通过计算机算法和技术生成人体的姿势。在这个领域中,有许多方法和技术被提出来实现人体姿势的生成。其中一种常见的方法是使用深度学习技术,通过训练模型来从输入的图像或视频中估计人体的三维姿势。 在过去的几年中,许多研究工作都集中在使用单幅图像的二维姿势来生成三维姿势。这些方法通常使用卷积神经网络来提取图像中的特征,并使用回归模型来估计三维姿势。一些研究还引入了其他约束,如姿势的平滑性和关节之间的关系,以提高生成的姿势的准确性和稳定性。 另一种方法是使用多视角图像或视频来生成三维姿势。这些方法通常使用多个视角的二维姿势来估计三维姿势,并使用几何约束和优化算法来提高姿势的准确性。一些研究还尝试将时间信息引入到姿势生成中,以更好地捕捉动态姿势。 总的来说,人体姿势生成是一个复杂而有挑战性的问题,需要结合深度学习计算机视觉和优化算法等多个领域的技术。目前,研究人员正在不断探索新的方法和技术,以提高人体姿势生成的准确性和稳定性。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [3D human pose 重要论文分类持续更新)](https://blog.youkuaiyun.com/b_lack/article/details/105196711)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 2
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