#计算机视觉[超话]# #我爱计算机视觉[超话]# #3D人体姿态估计#
TriPose: A Weakly-Supervised 3D Human Pose Estimation via Triangulation from Video
从视频中估计三维人体姿势是一个具有挑战性的问题。因为缺乏三维人体姿势标注是监督训练和对未见过的数据集进行归纳的主要障碍。
文章中通过提出一个不需要三维标注或校准相机的弱监督训练方案来解决这个问题。所提出方法依赖于时间信息和三角测量。使用来自多个视图的二维姿势作为输入,首先估计摄像机的相对方向,然后通过三角测量生成三维姿势。三角法只适用于具有高二维人体关节置信度的视图。然后,生成的 3D 姿势被用来训练一个 recurrent lifting network(RLN),该网络从2D姿势中估计3D姿势。
作者进一步对估计的三维姿势应用 multi-view re-projection 损失,并强制要求从多视角估计的三维姿势是一致的。因此,所提出方法放宽了实践中的限制,只需要多视角视频进行训练,因此便于在自然环境中使用。在推理时,RLN 只需要单视角的视频。所提出的方法在两个具有挑战性的数据集,即 Human3.6M 和MPI-INF-3DHP 上的表现优于之前的工作。
作者 | Mohsen Gholami, Ahmad Rezaei, Helge Rhodin, Rabab Ward, Z. Jane Wang
单位 | 不列颠哥伦比亚大学
论文 | https://t.cn/A6V4Mx6x
TriPose: A Weakly-Supervised 3D Human Pose Estimation via Triangulation from Video
从视频中估计三维人体姿势是一个具有挑战性的问题。因为缺乏三维人体姿势标注是监督训练和对未见过的数据集进行归纳的主要障碍。
文章中通过提出一个不需要三维标注或校准相机的弱监督训练方案来解决这个问题。所提出方法依赖于时间信息和三角测量。使用来自多个视图的二维姿势作为输入,首先估计摄像机的相对方向,然后通过三角测量生成三维姿势。三角法只适用于具有高二维人体关节置信度的视图。然后,生成的 3D 姿势被用来训练一个 recurrent lifting network(RLN),该网络从2D姿势中估计3D姿势。
作者进一步对估计的三维姿势应用 multi-view re-projection 损失,并强制要求从多视角估计的三维姿势是一致的。因此,所提出方法放宽了实践中的限制,只需要多视角视频进行训练,因此便于在自然环境中使用。在推理时,RLN 只需要单视角的视频。所提出的方法在两个具有挑战性的数据集,即 Human3.6M 和MPI-INF-3DHP 上的表现优于之前的工作。
作者 | Mohsen Gholami, Ahmad Rezaei, Helge Rhodin, Rabab Ward, Z. Jane Wang
单位 | 不列颠哥伦比亚大学
论文 | https://t.cn/A6V4Mx6x
【MSI第六日赛况:DK翻盘日本DFM,豪取5-1,携手C9出线!】5月11日,MSI小组赛迎来了最后一天,阿P三战全胜,状态出色,C9战胜DK,DK迎来了首败!后面两局,DK艰难赢下拉美INF、日本DFM,取得5-1战绩拿下小组第一,DK携手C9一同出线!第一局:C9 1-0 DK第二局:DFM 1-0 INF第三局:Dhttps://t.cn/A6VZbkLA
【#玩加出品# MSI小组赛Day6最佳选手数据:Perkz】
在#2021MSI# 的第六个比赛日中,C9战队的中路选手Perkz的表现十分出色。在对阵DFM的比赛中使用永恩单杀对方腕豪,对阵INF的比赛中卢锡安打出11-1-9的豪华战绩!他的各项数据也非常优秀,7.7的场均击杀、845的分均伤害、38.3%的伤害占比、4次单杀、176.8%的伤害转化率以及3684对位经济领先都位于全位置第一!
期待阿P在后面的对抗赛中可以保持状态!Go Perkz[打call][打call]
#LOL季中赛# #英雄联盟#
在#2021MSI# 的第六个比赛日中,C9战队的中路选手Perkz的表现十分出色。在对阵DFM的比赛中使用永恩单杀对方腕豪,对阵INF的比赛中卢锡安打出11-1-9的豪华战绩!他的各项数据也非常优秀,7.7的场均击杀、845的分均伤害、38.3%的伤害占比、4次单杀、176.8%的伤害转化率以及3684对位经济领先都位于全位置第一!
期待阿P在后面的对抗赛中可以保持状态!Go Perkz[打call][打call]
#LOL季中赛# #英雄联盟#
✋热门推荐