这篇论文提出了 HigherHRNet，一种新的从下往上的人体姿态估计方法，使用高分辨率特征金字塔学习尺度感知表示，具有多分辨率监督训练和多分辨率聚合推理的能力，能够解决下向多人姿势估计中的尺度变化挑战，从而更精确地定位关键点，尤其适用于小尺寸人体，实现了比以前最好的下向方法在 COCO test-dev 中中等人体上 2.5% AP 的提高。在 CrowdPose test 上，HigherHRNet 甚至超过了所有自上而下的方法，表明其在拥挤场景中具有鲁棒性。

Aug, 2019

本文探讨了如何将外部知识有效地注入深度神经网络中以引导其训练过程，使用 Staked Hourglass 设计和 Inception-resnet 模块构建了分形网络来将人体姿势图像回归为热力图，并使用一个辅助成本函数学习了投影矩阵来注入外部特征。在两个广泛使用的基准测试中，证明所提出的方法取得了最先进的性能。

May, 2017

该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

该论文提出了一种基于多尺度结构的单目深度估计方法，即结构感知残差金字塔网络（SARPN）。在该网络中，采用残差金字塔解码器来表达全局场景结构和局部形态细节，以及残差细化模块来预测残差图，同时采取自适应稠密特征融合模块来利用来自所有尺度的有效特征。实验结果表明，该方法在 NYU - 深度 v2 数据集上高效实用，达到了最先进的性能。

Jul, 2019

本研究提出了一种基于卷积神经金字塔（CNP）框架的、旨在解决低层次视觉和图像处理任务的方法，可实现低计算复杂度下大感受野视觉处理。此方法适用于图像复原、填补、降噪、去除伪影、边缘升华、滤波、增强和上色等应用领域。

Apr, 2017

探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

Oct, 2016

本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

Sep, 2014

本研究提出了一种名为 CPN 的多人姿态估计的网络结构，该算法采用自上而下的流程首先生成人体边界框，然后在每个边界框内使用 CPN 进行关键点的定位，实验结果显示与 COCO 数据集上的平均精度 73.0 和 72.1 相比，相对提高了 19%

Nov, 2017

本文提出了一种多尺度结构感知神经网络，通过多尺度监督、多尺度回归网络、中间监督和结构感知损失以及关键点掩蔽训练方案等四个方面对深度卷积 - 反卷积沙漏模型进行改进，以有效地提高人体姿势估计的性能。该网络不仅可以解决尺度差异、遮挡和复杂多人场景等问题，而且可以全局优化多尺度特征的结构匹配，并在 MPII 挑战排行榜上取得了领先地位。

Mar, 2018

使用合成数据训练神经网络的目标位姿估计模型，通过局部到全局的物体信息实现从合成数据到实际场景的位姿估计迁移，该模型在多个标准数据集上的表现超过现有技术 35％，并在现实世界中进行了抓取实验以证明使用合成数据的优势。

Oct, 2020