回到未来:联合感知时序深度学习三维人体姿态估计
计算机视觉与模式识别
2020-02-27 v1 机器学习
机器人学
摘要
我们提出一种新的深度学习网络,引入更深的 CNN 通道滤波器与作为损失的约束,以降低三维视频人体姿态估计中的关节位置与运动误差。我们的模型在 Human 3.6M 基准上基于平均逐关节位置误差、速度误差和加速度误差优于文献中先前的最佳结果,对应于在所有协议与运动指标上实现新的 SOTA 平均误差降低。与文献中最佳结果相比,平均逐关节误差降低 1%,速度误差降低 7%,加速度误差降低 13%。我们在提升视频中位置精度与运动平滑性方面的贡献可与未来端到端网络集成而不增加网络复杂度。我们的模型与代码可在 https://vnmr.github.io/ 获取。关键词: 3D, 人体, 图像, 姿态, 动作, 检测, 物体, 视频, 视觉, 监督, 关节, 运动学
引用
@article{arxiv.2002.11251,
title = {Back to the Future: Joint Aware Temporal Deep Learning 3D Human Pose Estimation},
author = {Vikas Gupta},
journal= {arXiv preprint arXiv:2002.11251},
year = {2020}
}
备注
Our model and code are available at https://vnmr.github.io/