m0_50811752的博客

相关数据集的快速发展促进了基于深度学习的姿态估计方法的发展。公共数据集为不同的方法提供了培训来源和公平的比较。考虑到数据集的规模和姿势和场景的多样性，在本文中，主要介绍了近年来的代表性数据集。它们中大多数都是高质量和大规模的数据集，在不同的拍摄场景中都有良好的注释。图像级2D单人数据集（待补充）图像级2D多人数据集（待补充）视频级2D单人数据集（待补充）3D单人数据集Human3.6MHuman3.6M是使用最广泛的多视图单人三维人体姿态基准。该数据集使用4个RGB摄像机、1个飞行时间传感器和1

Recent Advances in Monocular 2D and 3D Human Pose Estimation: A Deep Learning Perspective, 2021本文贡献整体介绍MHPE应用场景MHPE分类主要数据集期刊会议发展2020年针对MHPE的深度学习框架的概述难点现有解决方案人体表示Keypoint-based RepresentationModel-based Representation本文对2014年以来的2D和3D人体姿态估计方法进行全面调研，精选出里程碑的方

Monocular 3D Multi-Person Pose Estimation by Intergrating Top-Down and Bottom-Up Networks 论文解读贡献实验结果整体框架3D多人姿态估计相关工作Network StructureGCN StructureTCN StructureIllustration of the heatmaps estimated from the bottom-up networkDetails of Semi-Supervised Learn

3D人体姿态估计基本概念姿态估计难点人体结构化特性2D 姿态估计任务挑战3D 姿态估计问题挑战应用方法数据集类型可用信息姿态数据集PoseTrackCrowdPoseHuman3.6MDensePoseCOCOMPIIFLICLSPRGB数据集Leeds Sports Pose (LSP) DatasetFLIC DatasetMPII Human Pose DatasetMS COCO Keypoint LeaderboardAI ChallengePoseTrackRGB+D 60/120 数据集当前主