Dec, 2016

RMPE: 区域多人姿态估计

PDF
TL;DR该文提出了一种新颖的区域多人姿态估计框架 (RMPE)，其中包括 Symmetric Spatial Transformer Network、Parametric Pose Non-Maximum-Suppression 和 Pose-Guided Proposals Generator 三个组件，实现了在粗略的边界框下多人姿态估计，在 MPII (多人) 数据集上改进了 17%（mAP）。
multi-person pose estimationregional frameworksymmetric spatial transformer networkparametric pose non-maximum-suppressionpose-guided proposals generator
发现论文，激发创造
  • 单阶段多人姿态机

    提出了 Single-stage multi-person Pose Machine （SPM）模型，以简化多人姿势估计过程，并通过结构化姿势表示法（SPR）直接预测多人姿势，同时还扩展了 SPR 以进行层次化表示和应用于多人 3D 姿势估计，实验表明 SPM 模型相比现有方法具有更高的效率和精度。

    Aug, 2019

  • HintPose

    本研究通过引入两个新的概念 - instance cue 和 recurrent refinement 到已有的姿态估计模型中，以处理带有多个人的检测框，实现了更准确的姿态估计，并在 COCO17 关键点数据集上取得了较高的 mAP 得分。

    Mar, 2020

  • CrowdPose：高效的拥挤场景姿态估计和新基准

    本研究提出一种新颖的、高效的多人姿态估计方法，通过图模型的全局关键点最大化关联和每个关节的多峰预测，实现在拥挤场景下的准确姿态估计和高效推理，并提供新的数据集以更好地评估算法。在 CrowdPose 数据集上，本方法的 mAP 优于最先进的方法 5.2，并在 MSCOCO 数据集上验证了本方法的泛化能力。

    Dec, 2018

  • DRSI-Net: 双重残差空间交互网络用于多人姿态估计

    为了解决多人姿势估计中局部和全局信息不匹配的问题，本文提出了一种高精度低复杂度的 Dual-Residual Spatial Interaction Network (DRSI-Net)。通过在邻居特征上递归地进行残差空间信息交互，保留更有用的空间信息并在浅层和深层特征之间得到更多相似性。多尺度特征融合中引入的通道和空间双重关注机制有助于网络自适应地关注与目标关键点相关的特征并进一步改进生成的姿势。同时，通过优化交互通道维度和梯度流的分割，设计了轻量级的空间交互模块，从而减少了网络的复杂性。根据在 COCO 数据集上的实验结果，DRSI-Net 在精确性和复杂性方面均优于其他最先进的方法。

    Feb, 2024

  • 从野外的单目视频实现稳健且平滑的三维多人姿势估计

    3D 姿态估计是计算机视觉中一项非常重要的任务，特别是针对多人单目视频（3DMPPE）的 3D 姿态估计仍然具有挑战性，我们提出了 POTR-3D，这是第一个基于序列到序列的 2D 到 3D 模型实现的 3DMPPE，采用一种新颖的几何感知数据增强策略，能够生成具有各种视角的无界数据，并关注地面和遮挡效果，通过大量实验证明，我们的方法在不同的未知视角上具有鲁棒性，在重度遮挡下能够可靠地恢复姿态，并生成更自然和平滑的输出，我们的方法在公开基准上取得了最先进的性能，并在具有挑战性的野外视频上取得了定性结果。

    Sep, 2023

  • 多人姿态估计中细致本地表示的学习

    本文提出了一种新颖的方法 ——Residual Steps Network（RSN）。RSN 能够有效地聚合相同空间大小的特征（Intra-level features）以获取精细的局部表示，从而保留丰富的低级空间信息，并导致精确的关键点定位。此外，作者在输出特征方面观察到不同的特征会对最终性能产生不同的贡献。为了解决这个问题，作者提出了一种有效的注意机制 —— 姿态细化机器（Pose Refine Machine，PRM），在输出特征中在局部和全局表示之间做出权衡并进一步改进了关键点位置。该方法在 COCO Keypoint Challenge 2019 中获得了第一名，并在 COCO 和 MPII 基准测试中取得了最先进的结果，而不使用额外的训练数据和预训练模型。我们单个模型在 COCO 测试版中获得了 78.6 的分数，在 MPII 测试数据集上获得了 93.0 的分数。集成模型在 COCO 测试版中获得了 79.2 的分数，在 COCO 测试挑战数据集上获得了 77.1 的分数。源代码可以在此网址进行查看。

    Mar, 2020

  • 大规模多人姿态估计的精度提升

    该论文提出了一种用于多人检测和二维姿势估计的方法，采用两个阶段的简单而强大的自上而下方法，结合使用 Faster RCNN 检测器、关键点基于非最大抑制（Non-Maximum-Suppression）和置信度计算，利用 COCO 数据集训练得到的该系统具有较高的平均精度和表现。

    Jan, 2017

  • 多视角图像中的多人姿态估计与形状感知

    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

  • 多尺度监督网络用于人体姿态估计

    该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

    Aug, 2018

  • 深度双连续网络用于人体姿态估计

    本文提出了一种基于多帧和时序信息的人体姿态估计方法。该方法包含三个模块：姿态时序合成器、姿态残差融合模块和姿态校正网络。在 PoseTrack2017 和 PoseTrack2018 数据集上进行的实验结果表明，该方法取得了最佳效果，并已发布代码以期促进未来的研究。

    Mar, 2021