返回
A physical dynamical evolution learning model for human pose estimation network
DOI:10.1007/s12530-025-09727-4.png)
摘要
En 中文
人体姿态估计能够从图像或视频中精确识别和定位人体上每个关节的关键点和运动,并抽象出任意人体姿态的骨骼,在计算机视觉任务中具有重要的应用前景。目前,人体姿态估计主要依赖于数据驱动的深度学习模型,通常面临训练困难、学习效率低下和泛化能力有限等问题。因此,提出了一种用于人体姿态估计网络的物理动态演化学习模型,通过物理动力学优化深度学习模型的非线性学习特性。该物理动态演化学习模型的核心在于构建哈密顿动力学神经网络演化模型(HDNE),主要由对齐网络和哈密顿神经网络(HNN)组成。对齐网络能够适应任何不同人体姿态估计模型的输出头。HNN学习近似动力学系统的哈密顿函数,基于哈密顿正则方程模拟和预测深度学习的高维特征演化行为。实验结果表明,在HDNE的演化学习中,人体姿态检测准确率和训练效率均得到显著提升。
Keyword:
Human pose estimation
Deep learning
Physical dynamics
Hamiltonian neural network
Evolution learning
期刊
IF:
2.7
论文数:
235
被引数:
1.2K
机构
引用论文
Variational integrator graph networks for learning energy-conserving dynamical systems变分积分图网络用于学习能量守恒的动力系统
SSP-Net: Scalable sequential pyramid networks for real-Time 3D human pose regressionSsp-net: 用于实时3D人体姿态回归的可扩展顺序金字塔网络
PATTERN RECOGNITION
IF7.6
Human POSEitioning System (HPS): 3D Human Pose Estimation and Self-localization in Large Scenes from Body-Mounted Sensors人体定位系统 (HPS): 身体安装传感器在大场景中的3D人体姿态估计和自定位
HumanPoseNet: An all-transformer architecture for pose estimation with efficient patch expansion and attentional feature refinementHumanPoseNet: 一种用于姿态估计的全变压器架构,具有有效的补丁扩展和注意特征细化
Human pose estimation for low-resolution image using 1-D heatmaps and offset regression基于一维热图和偏移回归的低分辨率图像人体姿态估计

