文件名称：3d-pose-2d-keypoints:从2d关键点进行3d人体姿势估计
文件大小：46.61MB
文件格式：ZIP
更新时间：2024-05-19 03:44:03
deep-learning motion-capture pose-estimation JupyterNotebook
从2d关键点进行3d人体姿势估计 概述 尽管人们通常可以轻松地估计2d图像中人的3d姿势，但是3d姿势估计对于机器来说仍然是一个具有挑战性的问题。 该项目改进了一种算法，该算法以2d关键点作为唯一输入来估计人体姿势的3d关键点。 我将采取三种关键干预措施来改善整个数据集以及基准模型中具有特别高误差的姿势子集的重建精度：a）修改预处理中的数据归一化技术，b）从简单密集地修改神经网络架构将网络连接到以最新的2d姿态估计模型为模型的多级网络，并且c）生成合成数据以增强训练集。 这些干预措施成功地将整个测试集（来自卡耐基梅隆大学的运动捕捉数据库）中的重建误差降低了40％，针对目标的高误差姿势也降低了87％。 全文： （pdf） 依存关系 仅用于从头准备数据： 培训与测试 训练 运行prep_data.py 运行train.py ，注释掉所有您不想训练的模型设置。 日期时间将附加到这些文
【文件预览】：
3d-pose-2d-keypoints-present
----preprocessing.py(4KB)
----.ipynb_checkpoints()
--------model_analysis-checkpoint.ipynb(3.11MB)
----prep_data.py(2KB)
----blender()
--------save_seated.py(1KB)
--------save_blender_mirrored.py(4KB)
--------save_blender_3d_points.py(2KB)
----models.py(8KB)
----utils()
--------pose_before_after_colors.png(109KB)
--------pose_before_after.png(100KB)
----README.md(4KB)
----Ludlow_3d_pose_2d_keypoints.pdf(1.74MB)
----standardize_bvh.py(1KB)
----model_analysis.ipynb(3.11MB)
----logs()
--------weights()
--------train_test()
--------blender_animations()
--------blender_dicts()
----train.py(3KB)