SMPL: A Skinned Multi-Person Linear Model
这篇文章就是通过数据训练一些参数
NNN为点数,KKK为关节数, β⃗\vec{\beta}β为shape blend shapes parameters, θ⃗\vec{\theta}θ为pose blend shapes parameters.
∣θ⃗∣|\vec{\theta}|∣θ∣的参数个数为 3*K + 3, 对于每个joint,3个参数表示旋转, 另外3个是root joint的旋转
公式(1) 3 axis angle -> rotation matrix
公式(2) deform each vertex, 注意J\mathbf JJ是joint的location
公式(3) 先乘以rest post的逆, 然后再乘上每个joint的post
公式(6), posed vertices 是从rest post Tˉ\bar{\mathbf T}Tˉ + shape blend shapes offset BSB_SBS + pose blend shapes offset BPB_PBP
公式(5), deformed vertices
shape blend shapes
给定一组blend shapes parameters β⃗\vec{\beta}β, 产生最终的shape displacement BS∈R3NB_S\in \mathbb R^{3N}BS∈R3N, 所要训练就是3N×∣β⃗∣3N\times|\vec \beta|3N×∣β∣的矩阵S\mathcal SS
pose blend shapes
属于Pose参数对blend shapes的微调, 从一组pose parametersθ⃗\vec{\theta}θ, 产生最终的shape displacement BP∈R3NB_P\in \mathbb R^{3N}BP∈R3N
首先他把pose的参数θ⃗\vec{\theta}θ展开成9K9K9K个, 然后训练3N×9K3N\times9K3N×9K矩阵P\mathcal PP
Joint locations
joint位置的估计只跟BSB_SBS有关, 跟BPB_PBP无关, 主要训练3N×3K3N\times3K3N×3K的matrix J\mathcal JJ
后面的训练就不细讲了
公式(14),EDE_DED是data term, 测量ground truth 到deformed vertices之间差距, EYE_YEY是joints及模型的对称性, EJE_JEJ是joint的估计与ground truth之间的差距, EPE_PEP是尽量让regression matrix P\mathcal PP稀疏, EWE_WEW是尽量让weight尽可能接近通过segmentation初始化后的结果.
SMPL: A Skinned Multi-Person Linear Model相关推荐
- 【图像处理】A Skinned Multi-Person Linear Model(SMPL)浅解析
[图像处理]A Skinned Multi-Person Linear Model(SMPL)浅解析 SMPL的原理 结语 SMPL的原理 首先,博主不做3D建模的工作(尽管这项工作真的很酷),学习b ...
- 混合线性模型+mixed linear model+GEEs+GLMM+LMM
混合线性模型+mixed linear model+GEEs+GLMM+LMM 线性回归 广义线性回归 混合线性模型/线性混合模型 的区别是什么? spss中遇见线性混合模型 价值,意义,目的是什么? ...
- voom: precision weights unlock linear model analysis tools for RNA-seq read counts
voom: precision weights unlock linear model analysis tools for RNA-seq read counts 标准化方式 首先在定义cpm的时候 ...
- Google 深度学习笔记 - Limit of Linear Model
https://www.toutiao.com/a6679981747167298051/ 实际要调整的参数很多 如果有N个Class,K个Label,需要调整的参数就有(N+1)K个 Linear ...
- R语言对数线性模型loglm函数_使用R语言进行混合线性模型(mixed linear model) 分析代码及详解...
1.混合线性模型简介 混合线性模型,又名多层线性模型(Hierarchical linear model).它比较适合处理嵌套设计(nested)的实验和调查研究数据.此外,它还特别适合处理带有被试内 ...
- 【李宏毅2020 ML/DL】补充:Structured Learning: Introduction Structured Linear Model
我已经有两年 ML 经历,这系列课主要用来查缺补漏,会记录一些细节的.自己不知道的东西. 本次笔记补充视频 BV1JE411g7XF 的缺失部分.在另一个UP主上传的2017课程BV13x411v7U ...
- Machine Learning——Linear Model
本系列博客是我学习周志华的<机器学习(西瓜书)>的自学笔记. 我是零基础学习,因此所写只是书上的知识,肯定不全面,以后随着学习的深入,慢慢补充吧. 基本形式 给定由ddd个属性描述的示例x ...
- 线性模型(Linear Model)
线性模型(Linear Model) 对于给定样本x⃗ \mathbf{\vec{x}},假定其有n维特征,则,x⃗ =(x1,x2,x3,-,xn)T\mathbf{\vec{x}}=(x_1, x ...
- 广义线性模型(Generalized Linear Model)之二:Logistic回归
广义线性模型(Generalized Linear Model)之二:Logistic回归 一.引入:多元线性回归模型 二.Logistic回归模型 三.非条件logistic回归模型 (一)介绍 ( ...
- [Watermelon_book] Chapter 3 Linear Model
Linear Model 基本定义 线性模型简单形式的实际编码 Task Generate data Cost function Gradient descent Training Model eva ...
最新文章
- 这只狗,其实是猫变的:“撸猫神器”StarGAN v2来了!
- python3.6使用pygal模块不具交互性,图片不能显示数据
- java 导出csv 格式,java导出csv格式文件的方法
- NOIP2012开车旅行 【倍增】
- 目标检测Workshop | COCO三连冠带你探索检测新世界
- 关于SQLContext过期,SparkSession登场
- GotFocus和PreviewLeftButtonDown事件
- [原] Android 自定义View 密码框 例子
- python基础教程博客_python基础教程(十)
- SQL Server DATEDIFF() 函数
- 农民股神六万元博出千万身家
- XYplorer 20.90.0900中文版 — 资源管理器
- 在win10子系统ubuntu平台下使用jekyll和github pages搭建自己的静态博客网站
- 《炬丰科技-半导体工艺》氢氟酸中玻璃湿法化学蚀刻的综述
- 【86】ASPM进入和退出L1
- 开源项目SMSS开发指南(二)——基于libevent的线程池
- 深度神经网络和人工神经网络区别
- 虚拟化概述与虚拟化应用场景
- python权限管理设置_python权限管理框架
- h5页面 iOS 回退上一页面白屏,滑动页面后正常