EEPW论坛

今日推荐几篇最新/经典计算机视觉方向的论文，涉及诸多方面，其中多篇都是CVPR2021录用的文章，具体内容详见论文原文和代码链接。

在本文中，我们提出了一种新的多帧人体姿势估计框架，利用视频帧之间丰富的时间线索来改进关键点检测。在我们的框架中设计了三个模块化组件。姿势-时间合并对关键点时空上下文进行编码以生成有效的搜索范围，而姿势-残差融合模块计算双向加权姿势残差。然后通过我们的姿势校正网络对这些进行处理，以有效地细化姿势估计。我们的方法在大规模基准数据集PoseTrack2017和PoseTrack2018的多帧人姿势估计挑战中排名第一，论文主要结构如下：

• 论文题目：Differentiable Multi-Granularity Human Representation Learning for Instance-Aware Human Semantic Parsing
• 论文链接：https://arxiv.org/pdf/2103.04570.pdf
• 代码链接：https://github.com/tfzhou/MG-HumanParsing

 为了解决具有实例感知的人体部分解析这一具有挑战性的任务，提出了一种新的自底向上机制，以联合和端到端的方式学习类别级人体语义分割和多人位姿估计。它是一个紧凑、高效和强大的框架，可以利用不同粒度的结构信息，并减轻人员划分的困难。具体而言，通过网络特征金字塔学习并逐步改进密集到稀疏的投影场，该投影场允许显式地将密集的人类语义与稀疏的关键点相关联，以增强鲁棒性。然后，将困难的像素分组问题转化为更简单的多人联合装配任务。通过将联合关联表示为最大权重二部匹配，提出了一种利用投影梯度下降和Dykstra循环投影算法的可微解。这使得我们的方法可以进行端到端的训练，并允许分组错误的反向传播来直接监督多粒度人类表示学习。

• 论文题目：Camera-Space Hand Mesh Recovery via Semantic Aggregation

and Adaptive 2D-1D Registratio

• 论文链接：https://arxiv.org/pdf/2103.02845.pdf
• 代码链接：https://github.com/SeanChenxy/HandMesh

个输入图像中提取关节标注和轮廓，为3D任务提供2D线索。在根相关网格恢复任务中，我们利用关节之间的语义关系从提取的2D线索生成3D网格。此类生成的三维网格坐标相对于根位置（即手的手腕）表示。在根恢复任务中，通过将生成的3D网格与2D线索对齐，将根位置注册到摄影机空间，从而完成cameraspace 3D网格恢复。论文所提出的主要框架如下所示：

转载自网络，如有侵权，联系删除。