本文旨在提高多人场景下的关节姿态估计技术。为此，我们在三个方面做出了贡献：提出了改进的身体部位检测器、新颖的图像条件下的成对项以及一种递增优化策略。我们的方法在多人姿态估计任务中表现得更加优秀，并在单人姿态估计任务上展现出了竞争性的性能。

May, 2016

该研究提出了一种基于全卷积神经网络和条件随机场的联合框架，旨在同步解决人体姿态估计和语义部位分割问题，并在 PASCAL VOC 数据集上进行了广泛实验，显示该算法在这两个任务上均优于竞争方法。

Aug, 2017

本文提出了一种基于整数线性规划的方法来解决多人姿态估计的问题，并且在 MPII 人体多人姿态数据集上实现了与最先进方法相当的精度，但速度快了 6,000 到 19,000 倍。

Aug, 2016

本文介绍了一个具有挑战性的问题，即在不受限制的视频中联合估计和跟踪未知数量的人的多人姿态。为此，我们提出一种新方法，将多人姿势估计和跟踪联合建模在一个公式中，使用时空图表示身体关节检测，在图上使用整数线性规划将其划分为子图，对应于每个人的可能身体姿势轨迹，该方法隐含处理遮挡和截断的问题。我们还提出了一个完全不受限制的评估协议和具有挑战性的 “Multi-Person PoseTrack” 数据集，评估了所提出的方法和几个基线方法在我们的新数据集上的表现。

Nov, 2016

本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

Jun, 2014

本文提出一种多任务学习框架，采用深度神经网络进行实现，用于从静止深度图像中预测人体姿态，并使用 MatchNet 协助推断。在大规模数据集上的实验证明该框架可以显著提高人体姿态估计的准确度。

Aug, 2016

本文提出了一种基于多视图图像的多人姿态估计方法，在统计参数体模型的引导下，这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测，将 2D 和 3D 观测联系起来，从而更准确地估计 3D 姿态并且具有较好的泛化性能，实验表明该方法的效果优于现有的方法。

Oct, 2021

本文提出了一种无需使用人工注释标签，仅仅利用丰富真实数据和易获得合成数据标签的方法，通过姿态表示有效地建立了合成和真实域之间的桥梁，以学习在真实图像上进行多人身体部位分割的方法，并显示该方法表现出与需人工标注标签的现有方法可媲美的效果。

Jul, 2019

本文通过基于 poselets 的部分方法解决了在自然场景中检测人的问题，并使用 bootstrapping 方法收集了数以百万计的弱标记示例来训练卷积神经网络以区分不同的 poselet 类型和背景类。通过训练 poselet 模型来识别人并有效地预测边界框，其效果在 PASCAL 数据集上达到了最先进的水平。

Jul, 2014

本文研究多人姿态估计问题，提出了一种基于多视图系统和深度学习的方法，通过使用图神经网络模型预测场景中不同人之间的视角对应关系，并使用多层感知器模型将 2D 点转换为每个人的 3D 姿态。该模型采用自监督学习方式进行训练，从而避免了对大规模 3D 数据集的依赖。

Dec, 2022