- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习、深度学习
行人姿态估计
Code: https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation 效果演示视频： https://youtu.be/pW6nZXeWlGM 如果可以看youtu 的话 多人姿态实时估计，这里主要亮点还是 多人实时+效果 感兴趣的可以看看相关文献： Convolutional Pose Machines CVPR2016 http
67330发布于 2019-05-26 - 来自专栏计算机视觉工坊
HybridPose：混合表示下的6D对象姿态估计
论文题目：HybridPose: 6D Object Pose Estimation under Hybrid Representations 论文地址：在公众号「3D视觉工坊」后台，回复「6D对象姿态估计 摘要：本文介绍了HybridPose，这是一种新颖的6D对象姿态估计方法。HybridPose利用混合中间表示在输入图像中表达不同的几何信息，包括关键点，边缘矢量和对称对应关系。 第4.2节定量和定性比较了HybridPose和其他6D姿态估计方法。第4.3节提出了一项消融研究，以研究对称对应，边缘向量和修饰子模块的有效性。 3.1 实验设置 数据集。 本文考虑了在6D位姿估计问题中广泛使用的两个流行的基准数据集，即Linemod和Occlusion Linemod。输出张量中的第一个通道是二进制分割掩码M。 四、总结和未来工作 在本文中，本文介绍了HybridPose，这是一种利用关键点，边缘向量和对称对应关系的6D姿态估计方法。
85610发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
大盘点|6D姿态估计算法汇总(上)
/arxiv.org/abs/1908.07433 主要思想：由于遮挡和对称性等问题，仅使用RGB图像估计物体的6D姿态仍然具有挑战性。 本文的主要贡献： 1、提出了一种新的6D姿态估计框架Pix2Pose，该框架在训练过程中使用无纹理的3D模型从RGB图像中稳健地回归出目标的像素级3D坐标。 特别地，我们将最新的实例分割网络Mask R-CNN扩展到一个新的姿态估计分支，直接回归6D目标姿态，而不需要任何后处理。我们的关键技术贡献是将姿态参数解耦为平移和旋转，以便通过李代数表示来回归旋转。 我们的方法的关键部分是一个新的CNN架构，直接预测对象的3D边界框的投影顶点的2D图像位置，然后用PnP算法估计物体的6D姿态。 /1711.10006v1 代码链接：https://github.com/wadimkehl/ssd-6d 主要思想：提出了一种新的基于RGB数据的三维模型实例检测和6D姿态估计方法。
2.2K20发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
大盘点|6D姿态估计算法汇总（下）
本文承接上一篇——大盘点|6D姿态估计算法汇总 10、PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization 实验表明，这种方法大大优于现有方法上的NOCS类别6D姿态估计基准，并支持物理机器人执行简单的基于视觉的闭锁循环操作任务。 主要贡献： 1、这种方法不需要已知的三维模型。 3、这些关键点用作对象的紧凑表示，从中可以有效地估计两个相邻帧之间的姿态差。这种基于关键点的表示方法可以实现鲁棒的实时6D姿态跟踪。 ? ? 实验结果： ? ? tp=&arnumber=8265470 主要思想：在主动场景中，当观察者无法从当前视点恢复目标的姿态时，观察者可以确定下一个视点的位置，并从另一个视点捕获新的场景，以提高对环境的认识，从而降低6D姿态估计的不确定性 /home/ 主要思想：提出了一种基于单RGB-D输入图像的刚体6D姿态估计基准。
1.8K20发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
HybridPose：混合表示下的6D对象姿态估计
论文题目：HybridPose: 6D Object Pose Estimation under Hybrid Representations 论文地址：在公众号「3D视觉工坊」后台，回复「6D对象姿态估计 摘要：本文介绍了HybridPose，这是一种新颖的6D对象姿态估计方法。HybridPose利用混合中间表示在输入图像中表达不同的几何信息，包括关键点，边缘矢量和对称对应关系。 第4.2节定量和定性比较了HybridPose和其他6D姿态估计方法。第4.3节提出了一项消融研究，以研究对称对应，边缘向量和修饰子模块的有效性。 3.1 实验设置 数据集。 本文考虑了在6D位姿估计问题中广泛使用的两个流行的基准数据集，即Linemod和Occlusion Linemod。输出张量中的第一个通道是二进制分割掩码M。 四、总结和未来工作 在本文中，本文介绍了HybridPose，这是一种利用关键点，边缘向量和对称对应关系的6D姿态估计方法。
69520发布于 2020-12-11 - 来自专栏机器之心
6D目标姿态估计，李飞飞夫妇等提出DenseFusion
此外，研究者还将该方法应用于真实的机器人上，使其可以根据估计的姿态来抓取和操纵目标。 1 引言 6D 目标姿态估计对许多重要的现实应用都很关键，例如机器人抓取与操控、自动导航、增强现实等。 在本文中，研究者提出一种端到端的深度学习方法，对 RGB-D 输入的已知物体进行 6D 姿态估计。 这是一个用于估计 RGB-D 图像中已知目标 6D 姿态的通用框架。 既然是从拍摄图像中对目标进行 6D 姿态的估计，那么目标姿态就要相对于相机的坐标框架来定义。 第二个阶段处理分割的结果并估计目标的 6D 姿态。
1.3K30发布于 2019-04-30 - 来自专栏AIUAI
姿态估计 - Human Pose Estimation Papers
人体姿态估计 - Human Pose Estimation Papers 语义分割类的论文与代码汇总 逐渐迁移到搭建的博客上 - AIUAI - www.aiuai.cn 新地址: 姿态估计
1.5K71发布于 2019-02-18 - 来自专栏一点人工一点智能
KRF：一种新的6D姿态估计改进方法
在本文中，我们提出了一种新的用于6D姿态估计改进的Pipeline，即融合网络关键点改进（KRF），特别是对于严重遮挡的物体。 KRF Pipeline可以与现有主流的6D姿态估计方法集成，例如全流双向融合网络，以进一步提高其姿态估计精度。 01 介绍6D物体姿态估计是机器人操作、增强现实、自动驾驶等许多应用中的重要组成部分，在过去十年中受到了广泛关注和研究。 SSD-6D首先检测到图像中的物体，然后将其分类为其姿势。DenseFusion在像素级别融合RGB和深度值，这对基于RGBD图像的6D姿态估计方法有很大的影响。 给定一幅观察到的RGB图像和一幅深度图，我们首先通过姿态估计网络获得目标的预测姿态和分割结果。我们选择FFB6D来获得初始结果。然后我们利用KRFPipeline计算相对转换 用于纠正结果。
1.3K30编辑于 2022-12-28 - 来自专栏3D视觉从入门到精通
6DoF 姿态估计&目标抓取论文汇总（ICRA2021）
在大多数机器人任务中，都需对姿态估计器中进行要有效的不确定性量化（UQ）。在这项工作中，我们提出了一种简单且高效的UQ方法用于6自由度目标姿态估计。 （ZJU-Robotics Lab）& 北京理工大学 在许多机器人应用中，6D目标姿态估计通常作为一项重要任务。 在本文中，我们提出了REDE，这是一种使用RGB-D数据的新型端到端目标姿态估计器，该模型利用网络进行关键点回归，并使用可微分几何姿态估计器进行姿态误差反向传播。 在6D目标姿态估计中，找到好的参数化方法仍然是一个具有挑战的工作。在这项工作中，我们为用于单阶段6D目标姿态估计的神经网络输出提出了新颖的参数化方法。 6D 姿态估计网络。
2.9K30发布于 2021-08-24 - 来自专栏机器学习、深度学习
3D人体姿态估计
Human Pose Project and Code: https://www.seas.upenn.edu/~pavlakos/projects/volumetric/ 输入一张彩色图像，输出人体 3D姿态信息 Volumetric representation for 3D human pose 对于3D 人体姿态估计问题，问题的一般定义是 人体N个关节，每个关节有一个 3D 坐标（x,y,z）
2.2K20发布于 2019-05-26 - 来自专栏机器学习算法与理论
最新姿态估计研究进展
最新姿态估计研究进展 自上而下：就是先检测包含人的框，即human proposal，然后对框子中的人进行姿态估计。 /openpose 2、谷歌： （1）deepgaze 研究头部姿态和注意力方向的，开源 主要为头部姿态估计 先框出人脸区域，再进行姿态估计。 in the Wild 自上而下（up-bottom）的方法，把姿态估计器放在边界框的输出后。 https://github.com/eldar/deepcut-cnn 时间：230s/frame（太慢了） 6、《RMPE: Regional Multi-Person Pose Estimation 它对于多人姿态估计的方法采用传统的自顶向下的方法，即先检测人，再识别人体姿态。
2.3K70发布于 2018-04-10 - 来自专栏机器学习、深度学习
快速人体姿态估计--Pose Proposal Networks
Pose Proposal Networks ECCV2018 本文使用 YOLO + bottom-up greedy parsing 进行人体姿态估计 its total runtime using 人体姿态估计总的来说有两大类方法： top-down and bottom-up top-down： 就是首先检测图像中的所有人，然后分别对每个人进行人体姿态估计 one detects person 面对拥挤人群的姿态就力不从心了，网格检测的弊端啊
1.5K20发布于 2019-05-27 - 来自专栏OpenMMLab
3D 人体姿态估计简述
近几年，随着深度学习在人体姿态估计领域的成功应用，2D HPE 的精度和泛化能力都得到了显著提升。然而，相较于 2D HPE，3D HPE 面临着更多的挑战。 但是，正如前面提到的，根据 2D 图像估计 3D 姿态是一个不适定问题，即可能存在多个不同的 3D 姿态，它们的 2D 投影是同一个 2D 姿态。 以上介绍的都是单人姿态估计方法。对于多人场景下的 3D HPE，和 2D 的情况类似，也可以分成 top-down 和 bottom-up 这两类。 相邻帧提供的上下文信息可以帮助我们更好地预测当前帧的姿态。对于遮挡情况，也可以根据前后几帧的姿态做一些合理推测。 ACM transactions on graphics (TOG), 34(6), 1-16. [3] Pavlakos, G., Zhou, X., Derpanis, K.
3.9K20编辑于 2022-02-15 - 来自专栏我爱计算机视觉
姿态估计开源模型、数据集分享
因此，一些人体姿态估计模型已经拓展至兼容动物姿态估计功能，为科学家提供了更多工具和技术支持，有助于监测、研究和保护野生动物的生态环境。 本文分享了一些姿态估计的开源模型和数据集，涵盖了人体姿态和动物姿态。希望这些资源能够帮助研究人员促进这两者技术的共同发展，实现全面开花。 87%E6%96%87%E6%A1%A3.md MMPose MMPose 是一款基于 PyTorch 的姿态分析的开源工具箱，支持 21 种算法、34 种数据集、14 种主流骨干。 ，可实现实时且高准确度的人体姿态估计。 支持多项以人为主的下游视觉任务：人体检测、2D人体姿态估计、3D人体姿态估计、图片生成。 论文收录于 CVPR 2023。
1.5K10编辑于 2024-06-28 - 来自专栏深度学习和计算机视觉
CVPR2019 | 6D目标姿态估计，李飞飞夫妇等提出DenseFusion
6D 目标姿态估计对许多重要的现实应用都很关键，例如机器人抓取与操控、自动导航、增强现实等。 在本文中，研究者提出一种端到端的深度学习方法，对 RGB-D 输入的已知物体进行 6D 姿态估计。 这是一个用于估计 RGB-D 图像中已知目标 6D 姿态的通用框架。 既然是从拍摄图像中对目标进行 6D 姿态的估计，那么目标姿态就要相对于相机的坐标框架来定义。 第二个阶段处理分割的结果并估计目标的 6D 姿态。
2K30发布于 2019-05-30 - 来自专栏AIUAI
OpenPose 基于OpenCV DNN 的多人姿态估计
原文: OpenPose 基于OpenCV DNN 的多人姿态估计 - AIUAI OpenPose 可以对图片中单个人体目标的姿态估计，也可以处理图片中多人的姿态估计. OpenPose 基于OpenCV DNN 的单人姿态估计 - AIUAI 这里主要记录基于 OpenCV 4.x DNN 模块和 OpenPose 开源模型的多人人体姿态估计 的实现. OpenPose 网络结构 OpenPose 的多人人体姿态估计的模型结构如图： ? , [6,7], [1,8], [8,9], [9,10], [1,11], [11,12], [12,13], [1,0], [0,14], [ 关键点组合的具体实现分析 计算得到所有关键点之间的关键点对后，可以将具有相同关键点检测候选值的关键点对，组合为多人的姿态估计.
5.4K42发布于 2019-04-01 - 来自专栏AIUAI
OpenPose 基于OpenCV DNN 的单人姿态估计
原文: OpenPose 基于OpenCV DNN 的单人姿态估计 - AIUAI OpenCV4.0 版本以后可以直接读取 Caffe、TensorFlow、ONNX 等模型的 API，直接采用 这里主要测试下基于 DNN 模块和 OpenPose 模型的单人人体姿态估计的具体实现. AIUAI Github 项目 - OpenPose Python API - AIUAI Github 项目 - OpenPose 模型与Demos - AIUAI OpenPose 人体姿态模型下载路径 , [6, 7], [1, 14],[14, 8], [8, 9], [9, 10], , [6, 7], [1, 8], [8, 9], [9, 10], [1, 11],
3.8K30发布于 2019-04-01 - 来自专栏一点人工一点智能
综述：基于深度学习的物体姿态估计
02 DATASETS AND METRICS本章首先介绍了主流的基于深度学习的对象姿态估计数据集，包括实例级、类别级和未见对象姿态估计方法。然后，综述了相关的评估指标。 Dataset、HouseCat6D Dataset等。 2.2 常用评价指标评估物体姿态估计常用的评价指标：包括3DoF、6DoF、9DoF和其他评价指标。3DoF评价指标包括角度误差和3D旋转估计准确度。 实例级操纵中，合成数据用于训练以改善适应性；类别级操纵关注姿态估计在机器人抓取中的应用；未见物体操纵则探索了零样本对象姿态估计。 增强现实/虚拟现实应用中，姿态估计使虚拟物体与现实世界精确叠加，而自动驾驶中用于感知周围环境。手与物体交互应用侧重于姿态估计网络和多模态数据。
1K10编辑于 2024-05-16 - 来自专栏AI科技大本营的专栏
人体姿态估计的过去、现在和未来
下面是单人姿态估计的结果图（图片来源于CPM的paper)： 单人姿态估计算法往往会被用来做多人姿态估计。 基于Pictorial Structure，后续有非常多的改进，要么在于如何提取更好的feature representation [3][4]， 要么在于建模更好的空间位置关系[5][6]。 到目前位置，我们描述了单人的姿态估计，多人的姿态估计，以及简单讲了一下视频中的人体姿态跟踪的问题。 目前最常使用的human 3.6M实际上很容易被overfit，因为subjects数量太小（实际训练样本只有5－6人，depend on具体的测试方法，测试样本更少）。 应用 最后，讲了这么多的人体姿态估计，我们最后说一下人体姿态估计有什么用，这里的人体姿态估计是一个广义的人体姿态估计，包含2D/3D等。
1.5K30发布于 2019-10-13 - 来自专栏深度学习与计算机视觉
coco姿态估计性能评价标准-AP
coco2017是当前最主流的多人姿态估计benchmark，官网的Evaluate已对coco的评价标准做了详细的解释，本文只对其二次整理。 Overview 首先coco的姿态估计要求对目标进行检测和定位他们的keypoint，测试过程中目标的定位结果是不提供的，这非常符合常理。 其次coco对姿态估计的评价主要参考了coco的目标检测评价，在目标检测评价中，IOU是预测结果与GT之间的相似度度量标准，有了这个值之后，我们就可以设定阈值，计算出AP（average precision 那么同理，对于姿态估计来说，如果也能找到一个衡量预测和GT之间的相似性的标准的话，那就可以套用目标检测的评价了。这个相似性度量标准就是OKS。 无论是目标检测还是姿态估计，coco评价都是以object为单位进行的，而不是图的数量。 OKS 那么什么是OKS？
1.7K40发布于 2021-07-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号