检索结果-南通市图书馆

小型微型计算机系统 2020年第7期41卷 1501-1507页

作者：张锋叶茂曾凡玉电子科技大学计算机科学与工程学院成都611731

随着深度学习的发展,相关的模型与方法被应用到单人姿态估计研究领域中并取得了较大提升,一举超越了传统基于手工设计特征的单人姿态估计方法.基于深度学习方法的单人姿态估计从各个方面取得了突破.本文总结了基于深度学习方法的单人姿... 详细信息

随着深度学习的发展,相关的模型与方法被应用到单人姿态估计研究领域中并取得了较大提升,一举超越了传统基于手工设计特征的单人姿态估计方法.基于深度学习方法的单人姿态估计从各个方面取得了突破.本文总结了基于深度学习方法的单人姿态估计这一领域一系列研究成果,将这些方法分为三类:基于坐标回归的方法、基于热力图回归的方法以及使用热力图表示的基于坐标回归的方法.着重介绍了基于热力图回归这一主流的方法,分析并对比了各类方法的优势与不足.给出了单人姿态估计常用数据集的对比,并对基于深度学习方法的单人姿态估计研究进行展望,指出了未来研究的趋势与热点.

关键词：单人姿态估计身体部件检测关节点定位坐标回归热力图回归

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的人脸3D关键点检测方法研究

基于深度学习的人脸3D关键点检测方法研究

引用

作者：冯龙飞电子科技大学

学位级别：硕士

随着深度学习技术在计算机视觉领域的蓬勃发展,各种人脸图像处理任务在生活中得到了广泛应用,其中人脸关键点检测在人脸识别、表情识别、人脸重建等方面都扮演了重要的角色。人脸关键点检测也称为人脸关键点检测、定位或者人脸对齐,是... 详细信息

随着深度学习技术在计算机视觉领域的蓬勃发展,各种人脸图像处理任务在生活中得到了广泛应用,其中人脸关键点检测在人脸识别、表情识别、人脸重建等方面都扮演了重要的角色。人脸关键点检测也称为人脸关键点检测、定位或者人脸对齐,是指给定人脸图像,定位出人脸面部的关键区域位置,包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。在过去的十年里人脸关键点检测取得了巨大的成就,特别是在2D人脸关键点检测领域。然而,其仍然在某些复杂场景下存在困难,例如:大角度姿态以及脸部遮挡。为了解决这种限制,越来越多的研究者逐渐关注于3D人脸关键点检测,3D人脸关键点相对于2D表示更多信息并且提供更多遮挡信息。然而由于3D空间维度的增加,使得3D人脸关键点检测算法在处理速度、模型大小及算法实现都面临着巨大的挑战。针对上述问题,本文在充分研究了现有人脸2D及3D关键点检测算法,提出了一系列改进方法并通过实验验证了改进的可行性。本文的研究内容和创新点概括如下:(1)实现了直接从一张2D人脸图像上得到其关键点3D位置坐标信息。(2)采用了热力图的形式,对于关键点2D坐标进行编码,表示关键点所在位置的可能性大小,相较于直接回归关键点位置坐标,这种热力图的表示更利于模型学习。并且不同于传统的一个关键点编码一张热力图的形式,采用了一种紧凑的表示,将一张人脸图像所有关键点2D坐标编码到一张热力图,使得热力图数目固定,降低空间并加快计算。(3)设计了一种2-stage编解码神经网络,第一级网络先将3D关键点位置信息编码成联合热力图,第二级网络再进行坐标回归,对联合热力图进行解码得到关键点3D坐标向量,最终通过级联的方式将二者进行连接,实现了端到端的训练方式。(4)将2D关键点热力图表示扩展到3D,创新地提出一种具有三通道的联合热力图的编码形式,每一张2D人脸图片对应一个联合热力图。这种方式在保持关键点3D位置信息间的联系的同时又降低了编码所需的空间和复杂性,使得模型更加容易学习及处理,既提高了检测精度及算法速度又降低了模型大小。

关键词： 3D人脸关键点联合热力图坐标回归级联网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的人脸关键点检测方法研究

基于深度学习的人脸关键点检测方法研究

引用

作者：石胡森中国科学技术大学

学位级别：硕士

人脸关键点检测是计算机视觉领域中的一项经典任务,具有重要的学术研究价值和商业应用前景。近年来,深度学习技术的兴起加速了其研发进程。大量基于深度学习的人脸关键点检测算法被提出,其中基于坐标回归和基于热图回归的两大类方法由... 详细信息

人脸关键点检测是计算机视觉领域中的一项经典任务,具有重要的学术研究价值和商业应用前景。近年来,深度学习技术的兴起加速了其研发进程。大量基于深度学习的人脸关键点检测算法被提出,其中基于坐标回归和基于热图回归的两大类方法由于性能优越而备受青睐。坐标回归方法利用图像信息直接对人脸关键点的坐标值进行预测,而热图回归方法则将人脸关键点检测问题转换为热图估计问题进行求解。一般而言,热图回归方法的检测性能较好,但执行算法所需的时间相对较长,坐标回归方法的检测性能偏低,但执行算法所需的时间相对较短且更容易控制。本文对基于热图回归的人脸关键点检测算法进行了深入研究。首先借助于经典的堆叠沙漏网络实现了对人脸关键点的初步检测,其次针对原始沙漏网络存在的编码器特征提取能力相对较弱、解码器没有充分利用不同尺度特征之间的互补性等问题,提出了一种改进的堆叠沙漏网络,通过使用更强、更通用的特征提取器来替换原始的编码器,同时在解码器中嵌入多尺度特征融合模块,显著提高了网络的特征表达能力,取得了较好的人脸关键点检测效果。然而,上述基于热图回归的人脸关键点检测算法由于其不可微的后处理操作导致输出结果是离散数值,存在量化误差,检测出的人脸关键点坐标与实际位置之间仍有一定的偏差。鉴于此,本文进一步提出了一种基于偏差学习的两阶段人脸关键点检测算法。考虑到坐标回归网络具有输出连续数值的特点,本文利用坐标回归网络拟合热图回归网络的预测结果与对应的真实标签之间的偏差,然后将坐标回归网络和热图回归网络进行模型融合,进一步提升了人脸关键点检测的性能。此外,针对实际需求本文还开发了一个视频中的人脸关键点实时检测系统,基于轻量级的坐标回归网络实现了人脸关键点检测算法,能够在计算机CPU上实现实时检测。针对视频中人脸数目是否会发生变化,本文给出了适用于人脸数目变化场景和适用于人脸数目固定场景的两种设计方案,其中前者采用了逐帧检测人脸和人脸关键点的策略,而后者仅对视频起始帧检测人脸,后续各帧的人脸矩形框根据其前一帧的人脸关键点检测结果推算并外扩得到,从而避免了逐帧检测人脸的过程,进一步节省了系统的处理时间。

关键词：人脸关键点检测深度学习堆叠沙漏网络坐标回归热图回归

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的自然场景图片手势识别技术研究

基于深度学习的自然场景图片手势识别技术研究

引用

作者：梁宇北京邮电大学

学位级别：硕士

近年来,随着深度学习技术的快速发展,卷积神经网络已经成为解决视觉任务的标配,越来越多的研究者开始将卷积神经网络应用到各类计算机视觉任务中,并取得了不错的成果。手势识别是计算机视觉领域的经典任务,在新型人机交互中有着良好的... 详细信息

近年来,随着深度学习技术的快速发展,卷积神经网络已经成为解决视觉任务的标配,越来越多的研究者开始将卷积神经网络应用到各类计算机视觉任务中,并取得了不错的成果。手势识别是计算机视觉领域的经典任务,在新型人机交互中有着良好的应用前景。而手部姿态估计是手势识别中的关键技术之一,相较于传统的手势识别,姿态估计是对手部关键点的位置进行回归,因此在手势的估计上更加灵活,应用价值也更大。现阶段,3D维度上手部姿态估计算法居多,但其在应用场景上有一定的局限性。针对手部姿态估计算法在2D维度不足的现状,本文利用深度学习技术,结合具体任务中的难点重点,提出了应用在自然场景图片上的HandPoseNet网络,主要包括以下几点工作:(1)基于人体姿态估计任务中的CPM(Convolutional Pose Machines)网络,本文设计提出了Handposenet-V1网络,该网络能够对手部关键点的坐标位置回归有较高的精度;(2)通过提出新的Softmax归一化后处理(Post-processing)模块的设计,本文实现了端对端的HandPoseNet-V2网络结构,该网络在HandPoseNet-V1的基础上进一步提高了坐标位置的回归精度;(3)基于MobileNet网络中的深度可分离卷积核结构,在不损失太多回归精度的前提下,本文实现了在实际应用中处理速度更快的HandposenetV3 网络。本文提出的Handposenet网络及其衍生版本在现有的公开数据集RHD(Rendered Handpose Dataset)上,模型性能指标AUC(the area under the curve)由0.724提升到0.856,并且在实际复杂的自然场景中表现出了较强的泛化能力和鲁棒性。因此,本文提出的HandPoseNet网络,在2D手部姿态估计任务中,具有理论和应用的双重价值。

关键词：深度学习手势识别 2D姿态估计坐标回归

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：