[1] J.Charles，T.Pfister，D.Magee，D.霍格，A.齐瑟曼
计算机视觉和模式识别，2016年
@诉讼中{Charles16，author=“Charles，J.和Pfister，T.和Magee，D.以及Hogg，D.和Zisserman，A.”，title=“个性化人体视频姿势估计”，booktitle=“IEEE计算机视觉和模式识别会议”，year=“2016”，}
我们提出了一种个性化的ConvNet姿势估计器，该估计器可以自动适应人的外表的唯一性，以改进长视频中的姿势估计。我们做出了以下贡献：（i）我们表明，给定一些高精度的姿态标注，例如来自通用ConvNet姿态估计器，可以在整个视频中使用基于图像的匹配（用于时间上较远的帧）和密集光流（用于时间上局部的帧）的组合来生成额外的标注；（ii）我们开发了一个遮挡感知的自我评估模型，能够自动选择高质量的注释并拒绝错误的附加注释；（iii）我们证明，这些高质量的注释可以用于微调ConvNet姿势估计器，从而使其个性化，以锁定人的外表的关键鉴别特征。结果是，与原始通用ConvNet相比，使用个性化ConvNets对目标视频的姿势估计有了实质性改进。我们的方法在两个标准基准上以及在一个新的具有挑战性的YouTube视频数据集上大大优于最新技术（包括顶级ConvNet方法）。此外，我们还表明，来自自动生成的注释的训练可以用于提高通用ConvNet在其他基准上的性能。
[2]T.Pfister，J.Charles，A.齐瑟曼
2015年IEEE国际计算机视觉会议
@诉讼中{Pfister15a，author=“Pfister，T.和Charles，J.以及Zisserman，A.”，title=“视频中人体姿势估计的流动ConvNets”，booktitle=“IEEE国际计算机视觉会议”，year=“2015”，}
这项工作的目标是视频中的人体姿势估计，其中有多个帧可用。我们研究了一种ConvNet架构，该架构能够通过使用光流跨多个帧组合信息，从时间上下文中获益。为此，我们提出了一种具有以下新颖性的网络架构：（i）一个比先前研究的回归热图更深的网络；（ii）学习隐式空间模型的空间融合层；（iii）光流用于对齐来自相邻帧的热图预测；以及（iv）最终参数池层，该层学习将对齐的热图组合成池置信度图。我们表明，该体系结构优于许多其他体系结构，包括仅在输入层使用光流的体系结构、直接回归关节坐标的体系结构，以及在不进行空间融合的情况下预测热图的体系结构。新体系结构在三个视频姿势估计数据集（包括Wild数据集中极具挑战性的Poses）上的表现远远超过了目前的技术水平，并且优于在单图像FLIC基准上不使用图形模型的其他深度方法（以及Chen&Yuille和Tompson等人在高精度区域的表现）。
[3] T.Pfister公司
牛津大学博士论文，2015年
@PhdThesis｛Pfister15，author=“Pfister，T.”，title=“推进人体姿势和手势识别”，school=“牛津大学”，year=“2015”，}
本文在计算机视觉的两个密切相关的领域提出了新的方法：人体姿势估计和视频中的手势识别。在人体姿势估计中，我们证明了可以使用随机森林来估计单目视频中的人体姿势。为此，我们提出了一种从视频中分割人类的联合分割算法，以及一个预测估计姿势是否正确的评估器。我们进一步将此姿势估计器扩展到新的领域（使用传递学习方法），并通过在图像中顺序（而非独立）预测关节位置，并使用视频中的时间信息（而不是从单个帧预测姿势）来增强其预测。最后，我们超越了随机森林，并表明卷积神经网络可以用于更准确和有效地估计人类姿势。我们提出了两种新的卷积神经网络结构，并展示了如何将光流用于卷积网络以进一步改进预测。在手势识别中，我们探讨了使用弱监督来学习手势的想法。我们证明，通过让算法“观看”电视广播并将符号与字幕“匹配”，我们可以从带字幕的签名电视广播中自动学习手语。我们进一步表明，即使有少量的强有力的监督（比如手语，以手语视频词典的形式），也可以将这种强有力的监督与较弱的监督结合起来，学习更好的模式。
[4] T.Pfister，K.Simonyan，J.Charles，A.齐瑟曼
2014年亚洲计算机视觉会议
@诉讼中{Pfister14a，author=“Pfister，T.和Simonyan，K.以及Charles，J.和Zisserman，A.”，title=“用于手势视频中有效姿势估计的深度卷积神经网络”，booktitle=“亚洲计算机视觉会议”，year=“2014”，}
我们的目标是高效准确地估计手势视频中人类的上半身姿势。为此，我们基于最近成功应用的深度卷积神经网络（ConvNets）。我们的新颖之处在于：（i）据我们所知，我们的方法是第一个使用ConvNets来估计视频中的人体姿势；（ii）利用来自多个帧的时间信息的新网络，从而获得更好的性能；（iii）表明预先分割视频的前景可以提高性能；以及（iv）证明即使没有前景分割，网络也会学习从背景中抽象出来，并且即使在复杂多变的背景中也可以估计姿势。我们在BBC电视签名数据集上对我们的方法进行了评估，结果表明我们的姿势预测比目前的技术水平要好得多，计算速度也快了一个数量级。
[5] J.Charles、T.Pfister、，D.Magee，D.霍格，A.齐瑟曼最佳墙报奖
2014年英国机器视觉会议
@诉讼中{Charles14，author=“Charles，J.和Pfister，T.和Magee，D.以及Hogg，D.和Zisserman，A.”，title=“时间序列森林的上身姿势估计”，booktitle=“英国机器视觉会议”，year=“2014”，}
我们的目标是高效准确地估计手势视频中的人体上身姿势。为此，我们在随机森林（RF）分类器和回归器最近成功应用的基础上，开发了一个具有以下新颖性的姿势估计模型：（i）考虑到人体运动链，按顺序估计关节。这意味着我们的问题是可处理的，可以考虑更多的背景；以及（iii）使用密集光流来对齐来自附近帧的多个专家联合位置建议，从而提高估计的鲁棒性。由此产生的方法计算效率高，可以克服射频姿态估计器独立推断其位置所产生的许多错误（例如，混淆左手/右手）。我们表明，我们改进了两个公共数据集（BBC电视签名数据集和ChaLearn手势识别数据集）的上身姿势估计技术。
[6] J.Charles，T.Pfister，M.Everingham，A.齐瑟曼
国际计算机视觉杂志，2013
@第{Charles13a条，author=“Charles，J.和Pfister，T.和Everingham，M.和Zisserman，A.”，title=“手语视频中的自动高效人体姿势估计”，journal=“国际计算机视觉杂志”，year=“2013”，}
我们提出了一种全自动手臂和手跟踪器，可以在长度超过一小时的连续手语视频序列中检测关节位置。为了实现这一点，我们在四个方面做出了贡献：（i）我们证明了使用分层模型对所有帧进行联合分割，可以将覆盖签名者从背景电视广播中分离出来；（ii）我们表明，只要给定该分割和颜色模型，就可以使用随机森林回归量预测每帧的关节位置（肩部、肘部、腕部）；（iii）我们表明，随机森林可以从现有的半自动但计算昂贵的跟踪器中进行训练；并且，（iv）引入评估器来评估预测的关节位置对于每个帧是否正确。该方法应用于20个背景变化、成像条件具有挑战性的签名视频，并适用于不同的签名者。我们的框架优于Buehler等人（IJCV 2011）最先进的长期跟踪器，不需要手动注释这项工作，并在自动初始化后，实时执行跟踪。与使用Yang和Ramanan的姿势估计方法获得的结果相比，我们还获得了更好的关节定位结果。
[7] J.Charles，T.Pfister，D.Magee，D.霍格，A.齐瑟曼
2013年英国机器视觉会议
@诉讼中{Charles13，author=“Charles，J.和Pfister，T.和Magee，D.以及Hogg，D.和Zisserman，A.”，title=“签名{TV}广播中上身姿势跟踪的域自适应”，booktitle=“英国机器视觉会议”，year=“2013”，}
这项工作的目的是估计电视广播中签名者的上半身姿势。给定合适的训练数据，使用随机森林体关节检测器来估计姿态。然而，获取此类培训数据的成本可能很高。本文的新颖之处在于，它是一种转移学习方法，能够利用现有的训练数据并将其用于新的领域。我们的贡献是：（i）一种对现有训练数据进行调整的方法，通过对不同外观的签名者进行合成来生成新的训练数据，以及（ii）一种个性化训练数据的方法。作为一个案例研究，我们展示了如何对不同服装（尤其是短袖和长袖服装）的手臂外观进行建模，以获得特定于个人的跟踪器。我们证明了转移学习和特定于人的跟踪器显著提高了姿势估计性能。
