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

本篇论文对基于深度学习的二维图像人体姿态识别的最新方法进行了广泛的综述和比较，重点关注自 2016 年以来的自顶向下方法，此外，还讨论了数学基础、挑战与局限性、基准数据集和评价指标。

Feb, 2022

本文提出了一种称为 BoIR 的边界框级实例表示学习方法，通过解决实例检测、实例解开和实例 - 关键点关联问题，同时解决了拥挤场景下的特征分离问题。我们的方法通过多任务学习底层关键点估计、边界框回归和对比实例嵌入学习，在推理过程中没有额外的计算成本，并在 COCO val（0.8 AP）、COCO test-dev（0.5 AP）、CrowdPose（4.9 AP）和 OCHuman（3.5 AP）等数据集上表现优于现有方法。

Sep, 2023

本论文提出了一种新的底部向上体系结构，以联合学习类别级人类语义分割和多人姿态估计来解决实例感知的人体部位解析的挑战任务。该框架利用不同人类细粒度上的结构信息，使人员分区的难度降低。通过将联合关联建模为最大权二分匹配，实现了可微分的解决方案，从而使我们的方法具有端到端的可训练性，并且允许将分组误差直接传播到多层次的人类表征学习中。

Mar, 2021

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

提出了一种新颖的基于 Bottom-up 和 Top-down 方法相结合的姿态估计模型 ——BUCTD，并将该方法应用于动物和人的关键点检测，与之前的现有模型在 CrowdPose 和 OCHuman 数据集上表现相比有了较大改进，并且在非拥挤数据集上的表现也较好。

Jun, 2023

使用实例感知动态网络的单阶段范例多人姿态估计方法，相对于两阶段方法在准确性和效率上都有更好的结果。

Jul, 2021

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