高效创建用于精细手部姿态估计的3D训练数据

Markus Oberweger; Gernot Riegler; Paul Wohlhart; Vincent Lepetit

高效创建用于精细手部姿态估计的3D训练数据

计算机视觉与模式识别 2016-12-05 v2 人机交互

作者: Markus Oberweger , Gernot Riegler , Paul Wohlhart , Vincent Lepetit

摘要

尽管许多近期的手部姿态估计方法严重依赖于带标注帧的训练集，但此类数据集的创建是一项迄今为止被忽视的挑战性任务。因此，现有数据集仅限于少数序列和个体，且精度有限，这阻碍了这些方法发挥其全部潜力。我们提出一种半自动化方法，用于高效且准确地标注手部深度视频的每一帧中关节的相应3D位置：用户仅需提供一些参考帧中可见关节的2D重投影估计，这些参考帧通过有效优化一个子模损失函数自动选择，以最小化标注工作量。然后，我们利用空间、时间和外观约束来恢复整个序列中手部的完整3D姿态。我们证明，这些数据可用于训练一种近期最先进的手部姿态估计方法，从而提高精度。代码和数据集可在我们的网站https://cvarlab.icg.tugraz.at/projects/hand_detection/上找到。

关键词

手部姿态估计 3D训练数据半自动标注深度视频子模优化时空约束

引用

@article{arxiv.1605.03389,
  title  = {Efficiently Creating 3D Training Data for Fine Hand Pose Estimation},
  author = {Markus Oberweger and Gernot Riegler and Paul Wohlhart and Vincent Lepetit},
  journal= {arXiv preprint arXiv:1605.03389},
  year   = {2016}
}

备注

added link to source https://github.com/moberweger/semi-auto-anno. Appears in Proc. of CVPR 2016

高效创建用于精细手部姿态估计的3D训练数据

摘要

关键词

引用

备注

相关论文