深度学习驱动的2D-3D研究：单图三维人体姿态估计与血管分割新进展

该资源是一份关于2018年11月的深度学习在2D和3D领域的最新研究进展的概述，特别关注那些不包含卷积神经网络（CNN）这一关键词的课题。文中提到了几篇研究论文，涉及从单一图像中推断三维人体姿势、血管等树状结构的深度语义实例分割以及行动识别中的局部和全局时空建模，还有一篇是关于使用眼底照片预测糖尿病黄斑水肿等级。 1. **基于深度学习的三维人体姿势估计** - 这项研究提出了一种新的深度学习框架，旨在从单个二维图像中推断出三维人体姿势。通过采用两阶段方法，首先利用具有两个分支的生成器分别提取信息。这种技术的进步对于计算机视觉和人机交互领域有着重要的意义，因为它可以增强虚拟现实和增强现实应用中的人物动作捕捉和重建能力。 2. **树状结构的深度语义实例分割** - 一篇由Kerry Halupka等人撰写的论文介绍了处理如血管这类树状结构的深度学习方法。他们开发了一个深度神经网络，能直接处理无序的中心线点，以确定结构的拓扑。提出的多任务损失函数使得网络能够学习无序排列的数据，并实现对复杂分支结构的实例分割。使用合成数据进行训练，并利用域随机化来适应真实世界的2D和3D数据，这种方法在血管分割等领域具有广泛的应用前景。 3. **STNet：行动识别中的局部和全局时空建模** - 何东亮等人提出了一种名为STNet的模型，它专门针对行动识别任务，强调了局部和全局时空信息的重要性。在深度学习模型中集成这样的建模能力可以提升视频分析和理解的准确性和效率，尤其在体育赛事、监控视频和社交媒体内容分析等领域有显著价值。 4. **从眼底照片预测糖尿病黄斑水肿等级** - Avinash Varadarajan等人提出了一种方法，使用眼底照片预测由光学相干断层扫描衍生的糖尿病黄斑水肿程度。这展示了深度学习在医疗影像诊断中的潜力，通过非侵入性的眼底照片就能辅助医生进行更准确的诊断，对糖尿病视网膜病变的早期干预和治疗具有重要意义。 这些研究共同体现了深度学习在2D和3D领域的广泛影响力，它们不仅推动了技术的创新，还在医疗、计算机视觉和人工智能等多个领域提供了实际应用的可能性。随着深度学习模型的不断优化，我们可以期待未来在这个领域的更多突破。