基于Transformer的3D人体姿态估计方法的一个主要弱点是自注意力机制中的Q、K、V向量通常是基于简单的线性映射得到的。这种方法无法充分利用人体解剖结构和运动轨迹的信息，从而限制了模型性能的进一步提升。香港理工大学创新提出KTPFormer，引入KPA和TPA两种先验注意机制，少量增加计算量即显著增强效果。此外，KPA和TPA可以轻松集成到各种基于Transformer的3D姿势估计器中，具有很好的通用性和灵活性。
为了让大家更好的掌握3D人体姿态估计，研梦非凡于10月29日晚（周二），邀请了来自中科院、计算机视觉领域资深专家杨导师，为大家独家详解《KTPFormer: 3D人体姿态估计SOTA! 》，从3D人体姿态估计到算法研究、重点讲解KTPFormer的创新点以及实验，一文速通3D人体姿态估计，get论文idea！
👇🏻扫描二维码找助教0元预约直播课！
直播课内容预览
CVPR'24《KTPFormer: Kinematics and Trajectory Prior Knowledge-Enhanced Transformer for 3D Human Pose Estimation》
一、论文摘要
KPA&TPA 在三个公开数据集上进行实验 轻量级的即插即用模块
二、研究背景
3D人体姿态估计的介绍 研究动机
三、相关工作
基于Transformer的方法 图神经网络
👇🏻扫描二维码找助教0元预约直播课！
四、算法研究
运动学与轨迹概述 方法
运动学增强Transformer(KPA) 轨迹增强Transformer（TPA） 堆叠的时空编码器 即插即用的方式去噪音
五、实验结果
基于Human3.6M数据集的最新方法进行比较 在MPI-INF-3DHP数据集上的实验 在HumanEva数据集上的性能比较 消融实验 定性分析
六、总结和展望
KTPFormer 强大的性能且易于复现
导师介绍
杨导师
杨导师，博士毕业于QStop50知名计算机名校。
博士期间研究方向：聚焦为计算机视觉，自然语言处理，高效的深度学习训练和推理方法，大语言模型轻量化与高效微调技术。
曾在多家公司担任算法研究员，并进行计算机视觉，高效模型压缩算法，多模态大语言模型的研究，包括模型量化，剪枝，蒸馏，编译以及高效稀疏化训练与推理。
在国际顶级会议CVPR，ICCV，EMNLP等发表13篇论文，并担任CVPR，ICCV，ECCV，ICML，ICLR，NeurIPS等重要会议和期刊的审稿人。
多项发明专利，指导学生有耐心，教学严谨，思维逻辑缜密，已经指导数十篇论文。
对于成果好的学生，帮助学生写推荐信和指导申请硕/博申请 。
研梦非凡科研论文指导
科研论文idea，并非拍脑门就能产生，需要经过一遍遍做实验、跑代码、改模型、思路修正。研梦非凡专业论文指导，和研梦导师一起找idea，共同解决科研问题。授之以渔——搭建论文写作框架，增删改查，针对性实验指导！哪里薄弱补哪里！
<<< 左右滑动见更多 >>>
研梦非凡部分导师介绍
研梦非凡导师团队，来自海外QStop200、国内华五、C9、985高校的教授/博士导师/博士后，以及世界500强公司算法工程师、国内外知名人工智能实验室研究员等。
这是一支实力强大的高学历导师团队，在计算机科学、机器学习、深度学习等领域，积累了丰富的科研经历，研究成果也发表在国际各大顶级会议和期刊上，在指导学员的过程中，全程秉持初心，坚持手把手个性化带教。包括但不限于以下导师～
<<< 左右滑动见更多 >>>
我们不是小作坊哦～我们背靠研途考研（就是张雪峰老师和徐涛老师在的那个研途考研），做教育十余年，重交付，重口碑，是我们一贯的公司理念！
本号提供信息分享，对内容保持中立。若发现侵权问题，请及时联系我们，感谢您的理解与支持。
