本文提出一种基于深度神经网络的人体姿势估计方法，将姿势估计表示为一种基于DNN的回归问题，通过级联DNN回归器来提高姿势估计的精确性，并在四种不同类型的学术基准测试中取得了优异的实验结果。

Dec, 2013

本文提出一种新的混合架构，并将其成功应用于单眼图像中的人体姿态估计等领域，同时提出了联合训练的想法以提高性能并明显超越现有技术。

Jun, 2014

本文通过提出一种新的方法，在人体姿势估计中实现了更好的3D姿势估计精度，通过使用单目图像序列并利用深度全卷积网络预测2D关节位置的不确定性图，并使用期望最大化算法进行3D姿势估计。

Nov, 2015

该研究提出了一种新的卷积神经网络架构来进行人体姿势估计，采用自下而上、自上而下的处理方式及中间监督来提高网络的性能，在 FLIC 和 MPII 基准测试中取得了最先进的成果，并以堆叠沙漏网络总结了该架构的步骤。

Mar, 2016

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

本文提出了一种深度结构模型，用于在不受限制的视频中预测人体姿态序列，借助于深度卷积神经网络、时间信息和领域知识，该模型能够同时表示身体关节的外观和它们的时空关系，并有效约束骨骼结构和强制时间一致性。在两个广泛使用的基准测试数据集上评估该架构，取得了比现有最先进方法更好的性能表现。

Mar, 2017

通过构建一个借助于当前技术能在控制误差较低前提下从2D开环位置中提取3D位置任务的相对简单的深度前向网络，我们发现了现代深度3D姿态估计系统的可视分析引起的错误是其主要问题。

May, 2017

本文提出了一种基于深度学习的人体姿势估计方法，采用生成对抗网络作为学习模式，在两个相同结构的堆叠沙漏网络中设定生成器和判别器，生成器用作人体姿势估计，判别器将真实热力图与生成的热力图区分，通过对抗损失反向传播至生成器，使生成器学习合理的人体各部分构造，提高预测准确性。

Jul, 2017

本文介绍了基于深度学习的2D和3D人体姿态估计的综述，系统分析和比较了这些解决方案，对研究的挑战，应用和未来方向进行了讨论，包括250多篇研究论文以及姿态估计数据集和评估指标的定量表现比较和讨论。

Dec, 2020

本文提出了一种新型的在线知识蒸馏方法OKDHP，通过多分支网络和特征聚合单元以及像素级Kullback-Leibler散度来保证人体姿态估计的效率和准确性。实验结果表明，该方法在MPII和COCO数据集上表现良好。

Aug, 2021