CVPRAug, 2019

HigherHRNet：基于比例感知的自下而上人体姿势估计表示学习

PDF
TL;DR这篇论文提出了 HigherHRNet，一种新的从下往上的人体姿态估计方法，使用高分辨率特征金字塔学习尺度感知表示，具有多分辨率监督训练和多分辨率聚合推理的能力，能够解决下向多人姿势估计中的尺度变化挑战，从而更精确地定位关键点，尤其适用于小尺寸人体，实现了比以前最好的下向方法在 COCO test-dev 中中等人体上 2.5% AP 的提高。在 CrowdPose test 上，HigherHRNet 甚至超过了所有自上而下的方法，表明其在拥挤场景中具有鲁棒性。
human pose estimationscale-aware representationsmulti-resolution supervisionbottom-up methodfeature pyramid
发现论文，激发创造
  • 多阶段 HRNet: 用于人体姿态估计的多阶段高分辨率网络

    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

  • 高效 HRNet: 轻量级高分辨率多人姿态估计的高效缩放

    本研究提出了 EfficientHRNet，这是一系列轻量级多人姿势估计器，能够在资源受限设备上实时执行姿势估计操作。通过将模型缩放的最新进展与高分辨率特征表示的统一，EfficientHRNet 在降低计算量的同时创建高度准确的模型，最大的模型能够在 1/3 的计算量和 1/3 的功率的情况下，实现与现有最先进水平相近的精度。

    Jul, 2020

  • 深度高分辨率表示学习人体姿态估计

    本论文利用 pytorch 实现了一种深度高分辨率表示学习方法用于人体姿态估计，通过建立多分辨率子网并在并行连接中进行信息融合，最终得到更精准、更高精度的关键点热图，实验证明该方法在 COCO 关键点检测数据集和 MPII 人体姿态数据集上具有显著优势。

    Feb, 2019

  • BiHRNet：用于人体姿势估计的二进制高分辨率网络

    在本研究中，提出了一种名为 BiHRNet（Binary HRNet）的二值人体姿势估计器，该估计器在适应二值神经网络（BNN）的同时保留了 HRNet 的关键点提取能力，通过提出二值网络训练过程的优化方法以及设计更适合二值化的结构，实现了更少的计算资源开销和精度下降，并在实验中取得了较好的性能。

    Nov, 2023

  • Simple Pose: 重构和改进面向多人姿态估计的自底向上方法

    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

  • 深度高分辨率表示学习用于视觉识别

    High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

    Aug, 2019

  • Dite-HRNet：用于人体姿态估计的动态轻量级高分辨率网络

    通过在高分辨率网络中引入动态轻量化、多尺度上下文信息提取、长距离空间依赖建模的方法，本文提出了一种动态轻量化高分辨率网络模型（Dite-HRNet），该模型在 COCO 和 MPII 人体姿态估计数据集上取得了优异的表现，超越了现有的轻量化网络模型。

    Apr, 2022

  • 用于像素和区域标注的高分辨率表示

    本论文对高分辨率表示学习进行进一步的研究，并通过在各种视觉任务中应用简单而有效的修改来增强高分辨率表示，实验表明，这种方法优于现有的方法，并在 Cityscapes、LIP 和 PASCAL Context 等数据集上取得了最佳结果。此外，本论文构建了一个多层表示，并将其应用于 Faster R-CNN 目标检测框架以及拓展框架，并在 COCO 目标检测上实现了超越现有单模型网络的卓越表现。

    Apr, 2019

  • 人体姿态估计的多尺度结构感知网络

    本文提出了一种多尺度结构感知神经网络，通过多尺度监督、多尺度回归网络、中间监督和结构感知损失以及关键点掩蔽训练方案等四个方面对深度卷积 - 反卷积沙漏模型进行改进，以有效地提高人体姿势估计的性能。该网络不仅可以解决尺度差异、遮挡和复杂多人场景等问题，而且可以全局优化多尺度特征的结构匹配，并在 MPII 挑战排行榜上取得了领先地位。

    Mar, 2018

  • 人体姿态估计轻量级超分辨率头

    基于热图的方法已经成为姿势估计的主流方法，但由于通过降低重要热图的大小而带来量化误差的原因，这些方法受到了一定的限制，而且中间监督也起到了有害效果。为了解决以上问题，该论文提出了 SRPose 方法，通过将骨干网络视为降级过程并重新构建热图预测作为超分辨率任务，从而有效降低了量化误差和进一步后处理的依赖。实验结果显示 SRPose 在 COCO、MPII 和 CrowdPose 数据集上的性能优于其他基于热图的方法。

    Jul, 2023