FreiHAND

displayName: FreiHAND
labelTypes:
- SemanticMask
- Keypoints3D
license:
- FreiHAND Custom
mediaTypes:
- Image
paperUrl: https://arxiv.org/pdf/1909.04349v3.pdf
publishDate: "2019-01-01"
publishUrl: https://lmb.informatik.uni-freiburg.de/projects/freihand/
publisher:
- Adobe Research
- University of Freiburg
tags: []
taskTypes:
- Pose Estimation

---
## 简介
从单个 RGB 图像估计 3D 手部姿势是一个高度模糊的问题，它依赖于无偏的训练数据集。在本文中，我们分析了在现有数据集上进行训练时的跨数据集泛化。我们发现这些方法在他们训练的数据集上表现良好，但不能推广到其他数据集或野外场景。因此，我们引入了第一个伴随 3D 手部姿势和形状注释的大规模多视图手部数据集。为了注释这个真实世界的数据集，我们提出了一种迭代的、半自动的“人在环”方法，其中包括手部拟合优化，以推断每个样本的 3D 姿势和形状。我们表明，在我们的数据集上训练的方法在其他数据集上测试时始终表现良好。此外，该数据集允许我们训练一个网络，该网络可以从单个 RGB 图像中预测完整的关节手形。
## 引文
```
@inproceedings{zimmermann2019freihand,
title={Freihand: A dataset for markerless capture of hand pose and shape from single rgb images},
author={Zimmermann, Christian and Ceylan, Duygu and Yang, Jimei and Russell, Bryan and Argus, Max and Brox, Thomas},
booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
pages={813--822},
year={2019}
}
```

## Download dataset
:modelscope-code[]{type="git"}

displayName: FreiHAND
标签类型:
- 语义掩码（SemanticMask）
- 三维关键点（Keypoints3D）
许可协议:
- FreiHAND 自定义许可（FreiHAND Custom）
媒体类型:
- 图像（Image）
论文链接: https://arxiv.org/pdf/1909.04349v3.pdf
发布日期: "2019-01-01"
发布页面: https://lmb.informatik.uni-freiburg.de/projects/freihand/
发布机构:
- Adobe研究院（Adobe Research）
- 弗莱堡大学（University of Freiburg）
标签: []
任务类型:
- 姿态估计（Pose Estimation）

---
## 简介
从单幅RGB图像估计三维手部姿态是一个高度病态的模糊问题，其性能高度依赖于无偏的训练数据集。本文首先分析了在现有数据集上训练的模型的跨数据集泛化能力，发现此类方法仅在其训练所用的数据集上表现优异，却无法泛化至其他数据集或真实野外场景。为此，我们构建了首个兼具三维手部姿态与形状标注的大规模多视图手部数据集。为完成该真实世界数据集的标注工作，我们提出了一种迭代式半自动的「人在回路」标注方法，该方法集成手部拟合优化模块以推断每个样本的三维姿态与形状。实验表明，基于本数据集训练的模型在其他数据集上测试时始终能取得优异表现。此外，本数据集还支持我们训练可从单幅RGB图像预测完整关节手形的神经网络。
## 引文

@inproceedings{zimmermann2019freihand,
title={Freihand: A dataset for markerless capture of hand pose and shape from single rgb images},
author={Zimmermann, Christian and Ceylan, Duygu and Yang, Jimei and Russell, Bryan and Argus, Max and Brox, Thomas},
booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
pages={813--822},
year={2019}
}

## 数据集下载
:modelscope-code[]{type="git"}