本文提出了一个高效的框架来解决人体姿势估计的问题，通过可微分神经架构搜索方法来个性化定制网络设计，并介绍了空间信息校正模块来提高最终预测的效果。实验结果表明，我们的最小模型只有 0.65 GFLOPs，在 MPII 上具有 88.1% 的 [email protected]，并且我们的大型模型只有 2 GFLOPs，而其准确性与最先进的大型模型 HRNet 相当 。

Dec, 2020

本文提出了一种新型的在线知识蒸馏方法 OKDHP，通过多分支网络和特征聚合单元以及像素级 Kullback-Leibler 散度来保证人体姿态估计的效率和准确性。实验结果表明，该方法在 MPII 和 COCO 数据集上表现良好。

Aug, 2021

研究了利用视频行为识别任务中的人体姿态，介绍了 Video Pose Distillation (VPD) 弱监督技术来学习新视频领域的特征。其在不需要额外的人体姿态注释的情况下，在四个真实世界的体育视频数据集上提高了人体动作识别、检索和检测任务的性能。

Sep, 2021

提出了一种基于 DKD 模型的人体姿势估计方法，通过利用时间线索进行姿势核的在线蒸馏和通过简单的卷积计算实现当前帧和姿势核之间的匹配，从而实现对小网络姿态估计的显著提升。

Aug, 2019

本文介绍如何使用神经网络模型进行多摄像头人体姿势估计，在考虑多角度遮挡及联合位置不确定性情况下，使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法，我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。

Aug, 2021

本文提出一种将局部信息和全局信息相结合的方法，使用轻量级的无监督关键帧提出网络 (K-FPN) 来选择含有代表性信息的帧，再使用学习的字典来恢复整个动作序列的人体姿态估计算法。在实验中，该方法在 Penn Action 和 sub-JHMDB 数据集上达到了最佳准确率，并实现了大量的速度提升。

Jul, 2020

本研究提出了一种名为 DWPose 的两阶段姿势蒸馏方法，通过权重衰减策略和学生模型自身的蒸馏来提高全身姿势估计的有效性和效率，实验结果表明其在 COCO-WholeBody 数据集上取得了新的最佳性能，将整体 AP 从 64.8% 提升到 66.5%，甚至超过了 RTMPose-x 教师模型的 65.3% AP。

Jul, 2023

本文提出了一种简单、轻量级的人体姿态估计方法 LPN，它采用深度可分离卷积和注意力机制来设计轻量级的 bottleneck 模块，并基于此设计了 LPN 网络。我们的网络仅有 SimpleBaseline（ResNet50）大小的 9% 和复杂度的 11%，并提出了迭代训练和模型无关的 Beta-Soft-Argmax 后处理方法，在 COCO 关键点检测数据集上达到了较高的精度和效率

Nov, 2019

提出使用神经网络框架 PoseNet3D 将二维关节作为输入，输出三维骨架和 SMPL 体模型参数，通过在学生 - 教师框架下的学习方法，无需使用任何 3D 数据进行训练，结果表明与之前的无监督方法相比，该方法将 3D 关节预测误差降低了 18％。

Mar, 2020

通过多教师知识蒸馏与统一的骨骼表示相结合，我们提出了一种新颖的方法来解决姿态估计中不一致的骨骼注释所带来的挑战，同时提升了模型在不同数据集上的适应性，实现了更准确的康复 7 个主要关键点和 21 个扩展关键点的预测。

May, 2024