本文研究如何设计有效的单支脚神经网络用于在边缘设备上进行实时多人姿态估计，移除高分辨率分支，增强模型容量并大大减少计算成本，提高了姿态估计的效率和性能。

May, 2022

本文提出了一种减轻资源负荷、加速推理速度的方法，是通过在 SimpleBaseline 的反卷积头网络中引入注意机制来利用原始、跨层次和内层次信息以提高精度，并采用称为 heatmap 加权损失的新型损失函数，生成热图上每个像素的权重，使模型更加注重关键点，实验证明我们的方法在性能和资源和推理速度之间实现了平衡，具有不错的适用性。

May, 2022

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

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深度可分离卷积和变换器编码器层结构的两个流和三个阶段的轻量级网络 LwPose，用于头部姿势估计 (HPE) 任务，与此前的方法相比，该方法具有更高的效率和更小的空间要求，适用于移动设备。

Feb, 2022

本文提出了一种新的基于卷积神经网络的人体姿势估计的架构和改进的学习技术，能够学习底层特征和高级弱空间模型，在姿态估计中比现有传统架构实现了显著改善。同时，本文探讨了一些研究中发现的经验教训，表明在一些情况下，甚至仅涵盖图像中的几个像素的特征检测器也可以产生出强的特征检测结果，并且高级空间模型对姿势估计的改善效果相对较小。本文的主要贡献在于展示了一种特定变体的深度学习可以在该任务上胜过所有现有传统架构。

Dec, 2013

本文针对使用 Mask RCNN 进行人体姿态估计时存在的性能问题及效率问题，提出了一种基于改进后的全局上下文模块和 ResNet-50 骨架的人体姿态估计方法，取得了较好的姿态估计效果和运行效率。

Jan, 2023

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

本文将基于 OpenPose 的从下往上的方法适配多人姿态估计架构用于边缘设备，并提出了相应的网络设计和后处理代码优化，实现了 28fps 和 26fps 的帧率，模型参数为 4.1M，GFLOPs 为 9B，是基准 2 阶段 OpenPose 复杂度的 15% 。

Nov, 2018

本研究提出了一种名为 CPN 的多人姿态估计的网络结构，该算法采用自上而下的流程首先生成人体边界框，然后在每个边界框内使用 CPN 进行关键点的定位，实验结果显示与 COCO 数据集上的平均精度 73.0 和 72.1 相比，相对提高了 19%

Nov, 2017