تخمین حالت سه‌بعدی بدن انسان از یک تصویر بوسیله شبکه عصبی کانولوشن و کدگذاری و بازنمایی تُنک با رویکرد مبتنی بر مدل

در زمینه تخمین و ساخت اسکلت حالت سه‌بعدی بدن انسان از طریق بندهای بدن (body joints) بوسیله یک تصویر دوبعدی، چالش‌های عمق و خودانسدادی وجود دارد که مانع از تخمین دقیق می‌گردد. در این مقاله به تخمین حالت سه‌بعدی بدن انسان با دو رویکرد مختلف پرداخته شده است. بدین منظور، رویکرد اول پیشنهادی با تمرکز بر عمق حالت دوبعدی حقیقت اصلی بوسیله کدگذاری و بازنمایی تنک و تصحیح‌گر مبتنی بر مدل، حالت سه‌بعدی بدن انسان استخراج می‌شود. در رویکرد دوم پیشنهادی به‌کمک روش مبتنی بر یادگیری شبکه‌های عصبی کانولوشن، تخمین حالت دوبعدی بدن انسان بدست می‌آید، سپس بوسیله کدگذاری و بازنمایی تنک و تصحیح‌گر مبتنی بر مدل، تخمین عمق حالت استخراج می‌شود. نتایج حاصل از این روش، برتری تخمین حالت و عمق سه‌بعدی بدن انسان را نسبت به رویکردهای پیشین نشان می‌دهد. تخمین حالت‌های سه‌بعدی انجام شده در روش پیشنهادی نشان می‌دهد میانگین خطای بازسازی نسبت به کارهای  مشابه کاهش قابل توجهی داشته است

3D Human Pose Estimation on a 2D Image using Convolutional Neural Networks and Sparse Coding

There are challenges such as depth perception and selfocclusion, in the field of 3D human pose estimation and reconstruction which obstructs precise estimation of body joints. In this paper, we first extract human pose by focusing on 2D groundtruth using sparse coding and. In the second approach, we use a learningbased Convolutional Neural Networks using sparse coding and a model based rectifier to extract the estimated pose. Pose estimation by proposedmethod has reduced the mean error of the reconstruction in comparison with the state of the artworks.