.png){kind=icon}
返回
Advancing human pose estimation through interdisciplinary physics-inspired deep learning models
.png){kind=icon}
PRE
AI
DOI：10.3389/fphy.2025.1558325.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言 人 pose estimation 是计算机视觉中的一个关键挑战，对机器人、增强现实和生物医学研究具有重大意义。当前 pose estimation 的进展面临持续障碍，包括遮挡、模糊的空间排列以及对多样化环境有限的适应性。尽管深度学习取得进展，现有方法在整合几何先验和维持挑战性数据集上的稳定性能方面常感困难。
方法 针对这些不足，我们提出了一种新型框架，将物理启发的推理与深度学习相结合。我们的空间感知 pose estimation 网络（SAPENet）整合了能量最小化原理以强制几何合理性，并通过空间-时间动力学维持序列帧间的一致性。该框架利用空间注意力机制、多尺度监督和结构先验来增强特征表示，并在训练和推理期间强制物理约束。此外，通过 pose consistency-aware 优化策略（PCAOS）进一步强化，该策略引入自适应置信度重加权和多视角一致性，以缓解如遮挡和关节运动等特定领域挑战。
结果与讨论 我们的实验表明，这种跨学科方法显著提升了 pose estimation 在标准基准上的准确性和鲁棒性，实现了当前最佳结果。空间推理与领域相关的物理先验的无缝集成，确立了我们的方法在 pose estimation 领域的变革性进展。
Keyword:
pose estimation
spatial attention
structural priors
multi-scale supervision
adaptive optimization
期刊
F
IF:
2.1
论文数:
253
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏分享收藏
查看更多内容