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

本文提出了一种新颖的 ConvNet 模型，可预测图像中的 2D 人体姿势，通过回归每个关键点的热度图表示，并能够学习和表示部件外观和配置上下文。模型可以从头开始和端到端训练，用于改善性能的辅助损失。该模型在两个基准数据集上进行了评估，具有与最先进技术相当的性能，但不含有图形模型阶段（或层）的复杂性。

May, 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

本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法，该方法借助于过度完备的自动编码器并考虑关节从属关系，优于现有技术，包括结构保留和预测准确性两方面。

May, 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

本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术，能够学习底层特征和高级弱空间模型，在姿态估计中比现有传统架构实现了显著改善。同时，本文探讨了一些研究中发现的经验教训，表明在一些情况下，甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果，并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。

Dec, 2013

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

本文提出一种基于深度神经网络的人体三维姿态和形状重建方法，使用全身统计 3D 人体模型和学习技巧来优化模型并将其应用于自监督模式下的姿态和形状状态重建，并基于新颖的循环方式更新姿态和形状参数，从而实现了优化损失和度量反差的统一，测试结果表明其在 H3.6M 和 3DPW 等数据集上均获得了极具竞争力的结果。

Aug, 2020

本文提出了一种利用深度神经网络进行结构化输出学习的方法，用于从单眼图像中估计 3D 人体姿势。该方法将图像和 3D 姿势作为输入，通过卷积神经网络将图像特征提取出来，并通过两个分支网络将图像特征和姿态转换为联合嵌入，然后将联合嵌入相乘得到一个分数值。通过最大间隔代价函数来联合训练联合嵌入和分数函数，实现的网络为一种特殊形式的结构化支持向量机，它是使用深度神经网络区别性地学习联合特征空间。在 Human3.6m 数据集上测试了这个框架，并与其他最近的方法进行了比较，得到了最先进的结果。最后，我们展示了图像 - 姿态嵌入空间的可视化，证明了网络已经学习到了高水平的身体方向和姿态配置。

Aug, 2015

本文提出一种利用深度图像结合卷积神经网络实现快速且可靠的多人姿态估计算法的方案，可以有效地应用于人机交互领域；具体贡献包括提出了基于残差块的快速网络、构建了包括 170k 多张人体合成图像与真实标注数据在内的公开数据集用于评估，证明了该模型在真实数据上性能良好。

Oct, 2019