CVPRMar, 2019

PifPaf: 用于人体姿势估计的复合场

PDF
TL;DR本文提出了一种新的自下而上的方法，即 PIFPAF，用于多人二维人体姿势估计，在城市移动性（如自动驾驶汽车和送货机器人）方面表现特别优异，其方法利用 PIF 来定位身体部位和 PAF 来将身体部位相互关联以形成完整的人体姿势，在低分辨率和拥挤、混乱和遮挡场景下的表现优于以前的方法，在回归中使用 Laplace 损失，结合不确定性的概念，将其归功于我们新的复合场 PAF 编码细粒度信息的选择，我们的体系结构基于全卷积、单次拍摄、无框设计，在标准 COCO 关键点任务上与现有最先进的自下而上方法具有同样的表现，并在修改后的交通领域 COCO 关键点任务上产生最先进的结果。
multi-person 2d human pose estimationurban mobilityself-driving carsdelivery robotspifpaf
发现论文，激发创造
  • 使用部分关联场的多人实时二维姿势估计

    本研究提出了一种有效快速的图像中多人二维姿态检测方法，使用无参数表示方法命名为 Part Affinity Fields (PAFs)，可以学习将身体部位与图像中的个人关联，并设计了一个适用于任意人数图像的贪婪自下而上的解析步骤，该算法通过同一顺序预测过程的两个分支来联合学习部位位置及其关联，显著高于 MPII Multi-Person 基准的现有最新技术结果。

    Nov, 2016

  • OpenPifPaf：用于语义关键点检测和时空关联的复合场

    本研究提出了一个通用的神经网络结构，使用 Composite Fields 来检测和构建一个多帧中的单一的连接图。同时，引入了 Temporal Composite Association Field (TCAF)，使得这个算法成为第一个实时姿态检测和跟踪算法，并在多个公开数据集上表现出具有竞争力的准确性并且速度快一个数量级。此外，作者也展示了这个方法可以泛化到汽车和动物等多种语义关键点，特别适合城市移动，例如自动驾驶车和送货机器人。

    Mar, 2021

  • 使用循环时空亲和场实现高效的多人二维姿态跟踪

    本文提出了一种在线方法，可以有效地同时检测和跟踪视频序列中多个人的 2D 姿态，使用基于 PAF 表示的 STAF 编码和预测跨越视频序列的时间和空间亲和力场，使用递归神经网络使总体方法递归化，并且只使用在线推断和跟踪，不随场景中人数的运行时不变性和输入帧率的准确性不变性，使单 GPU 上的运行速度为约 30fps， 在 PoseTrack 基准测试中取得了极具竞争力的结果。

    Nov, 2018

  • 针对 3D 人体网格配准的局部感知分段变换场

    本研究提出了一种新型的基于 PTF 和多类占据网络的学习框架，以更准确地进行穿着的人类模型参数化配准和表面重建。

    Apr, 2021

  • 神经对应场用于物体姿态估计

    本文提出一种方法，通过单个 RGB 图像估计刚性物体的六自由度姿态，其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标，并借助全连接神经网络来实现神经对应场，最终使用 Kabsch-RANSAC 算法实现姿态估计，该方法在三个 BOP 数据集中都取得了最优结果。

    Jul, 2022

  • AdaptivePose：将人体部位作为适应点

    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

  • 姿态不变人脸识别综述

    本文探讨了姿态不变人脸识别的难点，对几种现有方法进行了介绍和对比，并提出了未来的研究方向。

    Feb, 2015

  • 深度人员重新识别的姿态不变嵌入

    为解决行人重识别中行人错位问题，本文提出了一种基于姿态不变嵌入的行人描述符，通过引入 PoseBox 结构和 PoseBox fusion CNN 架构，可有效实现标准化姿态和减少信息损失，同时与现有方法相比具有竞争性的表现表现。

    Jan, 2017

  • PoRF: 准确神经表面重建的姿态残差场

    我们提出了一种新的隐式表示方法，使用 MLP 来回归姿态更新，通过参数共享利用整个序列上的全局信息，同时引入了基于极线几何的监督来提高神经表面重建的准确性。我们的方法在真实场景中优化相机姿态，改进了神经表面重建的准确性。

    Oct, 2023

  • 人体姿态估计的级联特征聚合

    本文提出了一种基于卷积神经网络的级联特征聚合方法 (Cascade Feature Aggregation, CFA)，该方法可以有效地提高人体姿态估计的精度，并且在 MPII 数据集和 LIP 数据集上实现了最佳成绩。

    Feb, 2019