文章插图
图3. 我们的模型应用在不同场景中的可视化结果 ， 最后一列为失败案例4
结语
本文从图卷积网络 GCN 出发 ， 提出局部连接网络 LCN ， 来从单目图像中估计 3D 人体姿态 ， 并有效地克服了 GCN 的局限性 。 特别地 ， LCN 具有很强的表征与泛化能力 ， 通过端到端联合训练在基准数据集上达到了最好水平 。 更重要的是 ， LCN 可以很好地推广到丰富新颖的动作与场景中 。
参考文献
[1] J. Martinez, R. Hossain, J. Romero, and J. J. Little, "A simple yet effective baseline for 3d human pose estimation," in ICCV 2017.
[2] L. Zhao, X. Peng, Y. Tian, M. Kapadia, and D. N. Metaxas, "Semantic graph convolutional networks for 3d human pose regression," in CVPR 2019.
[3]X. Sun, B. Xiao, F. Wei, S. Liang, and Y. Wei, "Integral human pose regression," in ECCV 2018.
NeurIPS 2020论文接收列表已出 ， 欢迎大家投稿让更多的人了解你们的工作~
推荐阅读
- 微软Edge迎来一个新的浮层菜单 用于管理下载进度
- 康宁列举蓝宝石玻璃种种缺点 不适合用于消费级市场
- 将单细胞大数据用于药物研发，「百奥智汇」完成A+轮融资
- 中国首款智慧移宿空间亮相，使用寿命可达50年，可用于应急救援
- 小米有品上架时尚人体工学椅：三档后仰 五大调节功能
- 微信推出“微信豆”用于视频号直播打赏！网友：想起了Q币
- 资源|微软亚洲研究院发布开源平台“群策 MARO”用于多智能体资源调度优化
- 微信推出“微信豆”，可用于购买直播中的虚拟礼物，你会充值吗？
- 适用于机器学习、数据科学和深度学习，不同价位最好的笔记本电脑
- 毫米波技术正广泛应用于无人驾驶