-
公开(公告)号：CN114565938B
公开(公告)日：2024-11-26
申请号：CN202210142459.X
申请日：2022-02-16
Abstract: 本发明提供了一种融合局部和全局特征的三维人体姿态估计方法，包括：提出可应用于3D人体姿态估计模型的观测模式I；提出可应用于3D人体姿态估计模型的观测模式II；调整训练完成的图像‑2D姿态的网络；全连接模块捕捉人体姿态的全局特征；分组连接模块捕捉人体姿态的局部特征；融合局部特征和全局特征被并回归到3D姿势，最终得到3D人体姿态估计的模型。本发明的有益效果在于：提出了一种融合局部和全局特征的三维人体姿态估计方法，通过分别使用全连接模块和分组连接模块捕捉人体姿态的全局特征和局部特征，然后融合提取到的特征，获得泛化性能更好的3D人体姿态估计模型，并显着提高具有高局部特征相似性姿势估计性能指标。
-
公开(公告)号：CN114565938A
公开(公告)日：2022-05-31
申请号：CN202210142459.X
申请日：2022-02-16
Abstract: 本发明提供了一种融合局部和全局特征的三维人体姿态估计方法，包括：提出可应用于3D人体姿态估计模型的观测模式I；提出可应用于3D人体姿态估计模型的观测模式II；调整训练完成的图像‑2D姿态的网络；全连接模块捕捉人体姿态的全局特征；分组连接模块捕捉人体姿态的局部特征；融合局部特征和全局特征被并回归到3D姿势，最终得到3D人体姿态估计的模型。本发明的有益效果在于：提出了一种融合局部和全局特征的三维人体姿态估计方法，通过分别使用全连接模块和分组连接模块捕捉人体姿态的全局特征和局部特征，然后融合提取到的特征，获得泛化性能更好的3D人体姿态估计模型，并显着提高具有高局部特征相似性姿势估计性能指标。
-
公开(公告)号：CN113361570B
公开(公告)日：2022-11-01
申请号：CN202110569187.7
申请日：2021-05-25
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了基于联合数据增强和网络训练模型的3D人体姿态估计方法，包括：调整训练预训练完成的图像‑2D序列的网络；预训练2D‑3D变换的级联残差网络；根据预训练的2D‑3D网络信息，奖励和惩罚函数的策略得到数据增强操作的分布；根据得到的增强分布，改进进化数据增强的算法来合成3D的人体姿态；联合优化数据增强和2D‑3D的网络训练，最终得到3D人体姿态估计的模型。本发明的有益效果在于：提出了基于奖励和惩罚函数策略的联合优化进化数据增强和网络训练的方法，通过网络训练中的信息来合成数据增强操作的分布，通过得到的增强分布来改进进化数据增强算法，使数据增强和模型训练相互促进，从而获得泛化性能更好的3D人体姿态估计模型。
-
公开(公告)号：CN113361570A
公开(公告)日：2021-09-07
申请号：CN202110569187.7
申请日：2021-05-25
Applicant: 东南大学
Abstract: 本发明提供了基于联合数据增强和网络训练模型的3D人体姿态估计方法，包括：调整训练预训练完成的图像‑2D序列的网络；预训练2D‑3D变换的级联残差网络；根据预训练的2D‑3D网络信息，奖励和惩罚函数的策略得到数据增强操作的分布；根据得到的增强分布，改进进化数据增强的算法来合成3D的人体姿态；联合优化数据增强和2D‑3D的网络训练，最终得到3D人体姿态估计的模型。本发明的有益效果在于：提出了基于奖励和惩罚函数策略的联合优化进化数据增强和网络训练的方法，通过网络训练中的信息来合成数据增强操作的分布，通过得到的增强分布来改进进化数据增强算法，使数据增强和模型训练相互促进，从而获得泛化性能更好的3D人体姿态估计模型。
-
-
-
Search Results
4
records
(took 0.02 seconds)
