徐亦達團隊在ECCV2020上發表了一篇機器學習論文

• End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose Estimation（端到端多人多視角3d動態匹配網絡）

論文第一作者：黃聰臻韜，本科就讀于中國科學技術大學-計算機科學與技術系，于2017年畢業。畢業后進入悉尼科技大學徐亦達教授門下攻讀博士學位，專業方向是計算機視覺-人體姿態識別。，徐亦達老師的博士生

徐亦達教授簡介：

現任悉尼科技大學教授，UTS 全球數據技術中心機器學習和數據分析實驗室主任。主要研究方向是機器學習，數據分析和計算機視覺。他在國際重要期刊與會議發表數篇高影響因子論文；編寫了大量的數理統計、概率和機器學習教材。

徐老師的 github：https://github.com/roboticcam

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

論文介紹

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

端到端多人多視角3d動態匹配網絡

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

論文鏈接：iv.org/pdf/見文末下載

論文摘要

作為一項重要的計算機視覺任務，多人、多視角場景下的三維人體姿態估計受到了廣泛的關注并產生了許多有趣的應用。傳統方法一般使用3DPS來處理這一任務。但是，這些方法計算量大并且檢測精度不高。最近，隨著深度學習網絡的發展，一個新的方法是使用一個包含三個子模塊的模型: (1)檢測每個視角下的二維人體骨架，(2)匹配二維骨架，(3)使用匹配好的二維骨架計算三維姿態。現有的許多方法參照這個模型分成三步來進行三維姿態估計。但是分步計算會導致一些問題。例如，在訓練中三維姿態的結果可能會取決于步驟1的二維檢測結果，步驟2的匹配算法也會影響三維姿態的估計。為了解決這些問題，我們提出了一種端到端的訓練方案。我們從最近膠囊網絡中的動態路由得到啟發，動態路由和我們的匹配模塊一樣，也是獨立于主干網絡的，但動態路由決定了梯度如何從上層流向下層。同樣，我們工作中的動態匹配模塊也決定了梯度如何從步驟3流向步驟1。此外，由于多視角的存在，現有的匹配算法不能同時做到結果穩定和高效率。因此，我們提出了一種新的匹配算法，可以快速地匹配來自多個視角的二維骨架。同時該算法具有極強的穩定性，能夠很好地處理二維檢測缺失和錯誤的情況。

圖1?模型架構

圖2 匹配算法概述

圖3 模型評價結果

總結

論文下載：

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

提取碼：678i

不多說了，徐亦達老師團隊出品，必屬精品，建議下載慢慢看。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群：

總結

以上是生活随笔為你收集整理的首发：徐亦达团队新论文推荐(ECCV2020)：端到端多人多视角3d动态匹配网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。