双路径网络用于多人姿态估计
本研究提出一种结合自上而下和自下而上方法的 3D 多人姿态估计方法,并利用两人姿态鉴别器和半监督方法增强鲁棒性和准确性,实验证明该方法比现有基线模型更有效。
Apr, 2021
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
本研究提出了一种新的单一神经网络方法,用于 2D 全身姿势估计,并可同时定位身体、面部、手和足关键点。该方法采用一种底部上的公式,使其在图像中的人数不论多少,都能保持恒定的实时性能。神经网络采用多任务学习,经过改进的结构可以处理身体 / 脚和面部 / 手关键点之间的尺度差异。这种方法在速度和全球精度方面都显著优于 OpenPose,并且不像 OpenPose 那样需要为每个手和面候选者运行额外的网络,因此在多人场景中速度更快。本文的研究结果进一步降低了需要 2D 全身信息的应用程序(例如 VR / AR,重新定位)的计算复杂性,而且在面部和手部模糊、低分辨率等情况下,准确率更高。
Sep, 2019
通过改进下联式方法,提出了一种改进的多人姿势估计方法,该方法使用更直观却更合理的表示方法,具有 attention 机制的改进型叠叠层沙漏网络,专门用于 hard keypoint 和 keypoint 关联挖掘的新型 Focal L2 Loss 和用于将检测到的关键点分组为单个姿势的强大贪婪关键点分配算法,平均精度比基准线高约 15%,与 MS-COCO 测试数据集上的最新技术相当。
Nov, 2019
本文提出了一种更加紧凑和高效的多人姿态估计框架,使用自适应点集来表示人体部位并使用单阶段网络精细地回归多人姿态,在 COCO 测试开发数据集上实现了最佳速度 - 准确度平衡。
Dec, 2021
使用自顶向下的方法,建立了一个由三个模块组成的强基准系统,分别为人体候选检测器、单人姿态估计器和人体姿态跟踪器。该方法使用了先进的通用物体检测器来检测人体候选者,并使用级联金字塔网络来估计相应的人体姿态,最后使用基于光流的姿态跟踪器进行多目标姿态跟踪。经过大量实验验证了各种模型和配置,该方法成功参加了两个 ECCV18 PoseTrack 挑战:姿态估计和姿态跟踪。
Jan, 2019
该研究提出了一种基于 2D 姿势估计和残差块的 2-3 阶段框架,并在 ECCV2018 PoseTrack Challenge 的验证数据集上取得了有希望的结果。
Oct, 2018
提出了第一个直接的端到端多人姿态估计框架,称为 DirectPose,使用新的关键点对齐机制 (KPAlign),该机制提高了准确性,并消除了需在底部向上方法中处理的启发式分组或在自顶向下方法中进行边界框检测和 RoI 操作。实验证明,这一端到端模式在人体姿态估计任务中可以达到与之前强大基线相媲美或更好的表现。
Nov, 2019
该论文提出了一种基于摄像机中心坐标系的神经网络,可以在单个步骤中预测关节位置,取得了当前最先进的结果,适用于 3D 人体姿势估计和 MuPoTS-3D 数据集。
Apr, 2019