动态图变换器

3D姿态误差更低

同时建模关节局部连接与动态交互，提升3D人体姿态估计的准确性和泛化能力。

Chen, Zhangmeng · Dai, Ju · Bai, Junxuan · 潘俊君

Pattern Recognition 2024

参数信息

数据集上

3 D

技术优势

全局关系建模

Transformer编码器利用自注意力机制学习骨骼关节间的复杂全局关系，有助于减少深度歧义。

动态关节交互

动态GCN根据动作姿态自适应地捕捉稀疏的K近邻交互，提升对不同动作的适应性。

泛化能力强

在自然视频上的实验表明该方法具有良好的泛化能力，可处理真实场景。

应用场景

• 3D人体姿态估计：减少深度歧义，提升单目3D姿态估计精度。
• 人机交互：提供更准确的3D姿态，改善交互体验。
• 动作捕捉：无需复杂设备即可从单目视频估计3D动作。
• 运动分析：精确的3D关节位置支持运动定量分析。