多阶段HRNet: 用于人体姿态估计的多阶段高分辨率网络
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
本文介绍了一种称为MultiPoseNet的新型底层多人姿态估计架构，它结合了多任务模型和新型分配方法，可同时处理人物检测、关键点检测、人物分割和姿态估计问题，并在COCO关键点数据集上超越了所有先前的底层方法，具有更高的精度和更快的速度，在至少4倍的速度下与最佳的自上而下方法相当。
Jul, 2018
研究单阶段方法与多阶段方法在姿态估计领域的性能表现，提出了单阶段模块设计、跨阶段特征聚合和粗到细的监督等改进建议，所得方法在MS COCO和MPII Human Pose数据集上都取得了新的最优表现，证明了多阶段架构的有效性。
Jan, 2019
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
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。
Aug, 2019
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
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
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
本研究提出了基于人际内外关系网络（I ^ 2R-Net）的多人姿态估计算法，在COCO、CrowdPose和OCHuman数据集上，得到了优于现有方法的结果。
Jun, 2022