首发：徐亦达团队新论文推荐(ECCV2020)：端到端多人多视角3d动态匹配网络

徐亦达团队在ECCV2020上发表了一篇机器学习论文

• End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose Estimation（端到端多人多视角3d动态匹配网络）

论文第一作者：黄聪臻韬，本科就读于中国科学技术大学-计算机科学与技术系，于2017年毕业。毕业后进入悉尼科技大学徐亦达教授门下攻读博士学位，专业方向是计算机视觉-人体姿态识别。，徐亦达老师的博士生

徐亦达教授简介：

现任悉尼科技大学教授，UTS 全球数据技术中心机器学习和数据分析实验室主任。主要研究方向是机器学习，数据分析和计算机视觉。他在国际重要期刊与会议发表数篇高影响因子论文；编写了大量的数理统计、概率和机器学习教材。

徐老师的 github：https://github.com/roboticcam

优酷：http://i.youku.com/i/UMzIzNDgxNTg5Ng

论文介绍

1. End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose Estimation

端到端多人多视角3d动态匹配网络

论文作者：Congzhentao Huang, Shuai Jiang*， Yang Li, Ziyue Zhang, Jason Traish, Chen Deng, Sam Ferguson, and Richard Yi Da Xu

论文链接：iv.org/pdf/见文末下载

论文摘要

作为一项重要的计算机视觉任务，多人、多视角场景下的三维人体姿态估计受到了广泛的关注并产生了许多有趣的应用。传统方法一般使用3DPS来处理这一任务。但是，这些方法计算量大并且检测精度不高。最近，随着深度学习网络的发展，一个新的方法是使用一个包含三个子模块的模型: (1)检测每个视角下的二维人体骨架，(2)匹配二维骨架，(3)使用匹配好的二维骨架计算三维姿态。现有的许多方法参照这个模型分成三步来进行三维姿态估计。但是分步计算会导致一些问题。例如，在训练中三维姿态的结果可能会取决于步骤1的二维检测结果，步骤2的匹配算法也会影响三维姿态的估计。为了解决这些问题，我们提出了一种端到端的训练方案。我们从最近胶囊网络中的动态路由得到启发，动态路由和我们的匹配模块一样，也是独立于主干网络的，但动态路由决定了梯度如何从上层流向下层。同样，我们工作中的动态匹配模块也决定了梯度如何从步骤3流向步骤1。此外，由于多视角的存在，现有的匹配算法不能同时做到结果稳定和高效率。因此，我们提出了一种新的匹配算法，可以快速地匹配来自多个视角的二维骨架。同时该算法具有极强的稳定性，能够很好地处理二维检测缺失和错误的情况。

图1 模型架构

图2 匹配算法概述

图3 模型评价结果

总结

论文下载：

链接：https://pan.baidu.com/s/16Sh-6RSJ6iNRMWTXsGOkKQ

提取码：678i

不多说了，徐亦达老师团队出品，必属精品，建议下载慢慢看。

往期精彩回顾




适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群请扫码进群：