MultiPoseNet:使用姿态残差网络的快速多人姿态估计
该论文提出了一种用于多人检测和二维姿势估计的方法,采用两个阶段的简单而强大的自上而下方法,结合使用 Faster RCNN 检测器、关键点基于非最大抑制(Non-Maximum-Suppression)和置信度计算,利用 COCO 数据集训练得到的该系统具有较高的平均精度和表现。
Jan, 2017
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
本文提出了一种特别设计用于多人姿势估计的双路网络,着重于回归关键点和连肢矢量,与现有的 openpose 网络在模型大小、前向速度和估计精度方面进行了比较。
Oct, 2017
本文介绍了一种名为 Multi-Stage HRNet 的人体姿势估计模型,并采用多阶段网络和交叉阶段特征聚合等技术优化了关键点位置,从而在 COCO 数据集上取得了 77.1 AP 得分。
Oct, 2019
提出了一种名为 Multi-Instance Pose Network (MIPNet) 的人体姿势估计模型,能够在给定边框范围内预测多个 2D 姿态实例,并引入了一种称为多实例调制块(Multi-Instance Modulation Block,MIMB)的方法来适应性地调制每个实例的通道特征响应,与以往方法相比,在复杂场景中取得了显著的性能提升。
Jan, 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
本文提出了一种新颖的方法 ——Residual Steps Network(RSN)。RSN 能够有效地聚合相同空间大小的特征(Intra-level features)以获取精细的局部表示,从而保留丰富的低级空间信息,并导致精确的关键点定位。此外,作者在输出特征方面观察到不同的特征会对最终性能产生不同的贡献。为了解决这个问题,作者提出了一种有效的注意机制 —— 姿态细化机器(Pose Refine Machine,PRM),在输出特征中在局部和全局表示之间做出权衡并进一步改进了关键点位置。该方法在 COCO Keypoint Challenge 2019 中获得了第一名,并在 COCO 和 MPII 基准测试中取得了最先进的结果,而不使用额外的训练数据和预训练模型。我们单个模型在 COCO 测试版中获得了 78.6 的分数,在 MPII 测试数据集上获得了 93.0 的分数。集成模型在 COCO 测试版中获得了 79.2 的分数,在 COCO 测试挑战数据集上获得了 77.1 的分数。源代码可以在此网址进行查看。
Mar, 2020
本文提出一种名为 PandaNet 的全新的单次拍摄、基于锚点的多人 3D 姿势估计方法,可实现可能较低分辨率下大量人的姿势估计,并且超越了之前的单次 3D 姿势预测方法,同时本文提出了一种姿势感知的锚点选择策略和一种优化权重的方法来处理输入中不同尺寸的人和姿势估计的不确定性。
Jan, 2021
本文旨在提高多人场景下的关节姿态估计技术。为此,我们在三个方面做出了贡献:提出了改进的身体部位检测器、新颖的图像条件下的成对项以及一种递增优化策略。我们的方法在多人姿态估计任务中表现得更加优秀,并在单人姿态估计任务上展现出了竞争性的性能。
May, 2016