H36M VS 3DPW datasets

1采集设备方面

H36M使用了高精度的多视角摄像机动态捕捉系统获得了非常准确和连贯的3D关节坐标标注。

3DPW使用了单目摄像机与IMU的复合传感系统进行采集,存在一定程度的标注噪声。

2场景环境方面

H36M主要针对室内定向动作,背景单一简洁。

3DPW重点是室外复杂环境中人的自然动作,场景复杂多变。

3提供的标注

H36M给出了3D关节坐标和对应的图片数据。

3DPW提供了3D骨骼和2D关键点,但没有对应的图片数据。

4标注形式

H36M以3D坐标的形式直接提供了关节位置。

3DPW给出的是经过注册的3D人体网格,需要自己提取骨骼。

Human3.6M数据集原始并没有提供SMPL参数,

这里的关键点是:

  1. SMPL GT参数是通过MoSh获得的。
  2. MoSh是将SMPL模型 fitting 到物理标记上的。
  3. 而不是数据集原始就提供SMPL参数。

所以这个过程是:

  1. Human3.6M提供物理动作捕捉的标记数据。
  2. 使用者通过MoSh,将SMPL模型拟合到标记,生成SMPL参数。
  3. 作为额外的监督信息,提供了SMPL参数。
相关推荐
@心都21 分钟前
机器学习数学基础:29.t检验
人工智能·机器学习
9命怪猫23 分钟前
DeepSeek底层揭秘——微调
人工智能·深度学习·神经网络·ai·大模型
kcarly2 小时前
KTransformers如何通过内核级优化、多GPU并行策略和稀疏注意力等技术显著加速大语言模型的推理速度?
人工智能·语言模型·自然语言处理
Jackilina_Stone2 小时前
【论文阅读笔记】浅谈深度学习中的知识蒸馏 | 关系知识蒸馏 | CVPR 2019 | RKD
论文阅读·深度学习·蒸馏·rkd
倒霉蛋小马3 小时前
【YOLOv8】损失函数
深度学习·yolo·机器学习
MinIO官方账号3 小时前
使用 AIStor 和 OpenSearch 增强搜索功能
人工智能
补三补四4 小时前
金融时间序列【量化理论】
机器学习·金融·数据分析·时间序列
江江江江江江江江江4 小时前
深度神经网络终极指南:从数学本质到工业级实现(附Keras版本代码)
人工智能·keras·dnn
Fansv5874 小时前
深度学习-2.机械学习基础
人工智能·经验分享·python·深度学习·算法·机器学习
小怪兽会微笑4 小时前
PyTorch Tensor 形状变化操作详解
人工智能·pytorch·python